在使用深度学习之前要问的3个重要问题

在您的研究和开发中使用深度学习的决定可能是一个很好的决定。但只有你仔细考虑结果。由于围绕AI进行了大量宣传，特别是深度学习，因此很难不跳到火车上并认为AI将解决所有数据分析问题。在2019年太平洋设计与制造展上，劳伦斯伯克利国家实验室神经系统与工程实验室的博士后研究员Jesse Livezey说，情况并非如此。深度神经网络(DNN)可以为研究人员提供一些强大的计算优势，但并不是每个人都需要的东西。

在Livezey自己的研究中，他和他的团队能够将深度学习应用于脑机接口(BCI)的语音识别。目的是创建一个BCI，它可以准确地解释脑波模式中的语音，以帮助残疾人。Livezey的研究发现，当深度学习神经网络产生与辅音元音相关的错误时，它对应于什么样的物理结构(嘴唇，舌头等)与发出声音有关。由于大脑的不同子区域控制着嘴唇，下颚，舌头和喉部等结构，因此研究人员可以更深入地了解BCI应该从哪里收集语音信号。

这只是一个具体的例子。但Livezey很快就提醒观众，虽然深度学习提供了许多好处，但它也有缺点，不能使它成为一种通用的解决方案，很多人都倾向于将其视为一种解决方案。

加拿大设计与制造部门专注于对您而言至关重要的最新软件和产品。深入探索生成设计，电子元件，3D打印，快速原型设计和机器学习等令人兴奋的创新。学到更多!

让我们首先得到最明显的关注。深入学习甚至是最适合您的解决方案吗?

“你先做过更简单，更易解释的事吗?”Livezey问道。他说，研究人员需要弄清楚最终用户正在寻找什么类型的结果。只是拥有非常好的表现并不一定是需要的。

他说，DNN的巨大优势在于它们提供“高精度，高定位和高精度。”在某些使用案例中，这可能就是您关心它的全部内容。但是在其他领域，例如科学或医学研究，您可能想要了解算法正在做什么(稍微更多关于此)，并且您不需要尽可能具有表现力。这就是你可能想看其他方法的地方。

此外，还有一个问题是理解正确的神经网络或任务的组合。你在使用CNN吗?一个RNN?一个MNN?那些的组合?还有别的吗?您需要查看手头任务的最佳选项，编程和训练神经网络的工作可能不一定能在最佳时间范围内提供最佳结果。

2.)有偏见吗?

算法与提供给它们的数据一样好。在有偏见的数据上训练神经网络会导致各种不利影响。它可以导致AI解决错误的问题或得出错误的结论。在最坏的情况下，你会获得人工智能，它会实行掠夺性贷款并表现出种族偏见。

“你想知道你的数据集中是否存在偏差，你的机器学习算法是否正在使用它们做出决策?”Livezey说。“你必须通过从你认为重要的数据集中拉出碎片来确保你的算法正确推广。”

DNN在性能方面表现出色，但Livezey告诫性能不一定是最终的全部。

深度网络非常灵活，您可以拥有许多不同类型的输入和输出映射。“深度网络确实可以比传统方法(如线性回归)更好地扩展到更大的数据集，”Livezey说。

这方面的缺点是它还意味着有更多的设计选择供研究人员和工程师进行分类。这可能意味着在前端进行更多的计划工作，除非DNN提供显着的好处，否则所有这些工作可能都不值得。

然而，神经网络的最大缺点是缺乏透明度。就像他们模仿的人类神经元一样，深度神经网络在如何在许多方面实际发挥其功能方面有些神秘。“我们没有很好的方法来解释这些深层网络正在做什么，”Livezey说。如果您习惯使用回归或决策树等方法，那么内部工作非常清晰明了。与DNN不同。“对网络的深度工作以及做出决策仍有很多研究，”他补充道。

Chris Wiltz是Design News的高级编辑，负责新兴技术，包括AI，VR / AR，区块链和机器人技术。