Commençons par le débat entre Yann LeCun et Marcus

Le débat le plus animé dans le domaine de l'IA ces derniers temps est le débat entre Yann LeCun et Marcus sur l'orientation du développement de l'IA. Ce débat a commencé en août, et les conséquences ne se sont pas encore apaisées.

Si vous effectuez une recherche sur les médias nationaux et sur Baidu, vous pouvez trouver de nombreux articles scientifiques populaires qui semblent un peu effrayants. D'une manière générale, Yang Likun estime que l'orientation générale de la technologie de l'intelligence artificielle est erronée et qu'elle devra peut-être être repoussée. Certaines personnes qui ne connaissent pas Yann LeCun pourraient penser que ce qu'a dit une personne qui ressemble à un Chinois pourrait provoquer un tel émoi dans le domaine de l'IA ? Yann LeCun a un nom chinois - Yang Likun, mais il est français.

Je n'aime pas manger des melons comme celui-ci directement. Les auto-médias nationaux prennent souvent les citations hors de leur contexte et interprètent mal les remarques de certains maîtres pour attirer l'attention. Je suis donc allé sur Google et Twitter pour examiner attentivement le débat entre Yang Likun et Marcus, ainsi que les documents de reportage associés. J'ai découvert que ces opinions nationales provenaient toutes d'un article de Tiernan Ray, rédacteur principal sur ZDNET. Tiernan Ray est engagé dans la recherche technologique et commerciale depuis 28 ans et est bien connu dans le cercle du capital-risque technologique. Ses articles sont toujours très influents. Le titre de l'article de Ray est déjà assez effrayant : la plupart des méthodes d'IA actuelles ne mèneront pas à une véritable intelligence. Cette phrase est en réalité sortie de la bouche du grand dieu Yann LeCun.

Dans une discussion avec ZDNet via Zoom ce mois-ci, LeCun a clairement indiqué qu'il était sceptique quant à bon nombre des avenues de recherche actuelles les plus réussies en matière d'apprentissage profond. "Je pense qu'ils sont nécessaires, mais pas suffisants." En fait, LeCun a clairement exprimé son point de vue : il estime que les algorithmes basés sur les statistiques ne peuvent pas réaliser une véritable intelligence artificielle, et en tant que média, ZDNET espère certainement en avoir des perspectives plus excitantes. Vous devez prendre du recul et dire, d'accord, nous en avons construit une. Mais notre objectif est d'aller sur la lune, cette échelle ne nous y mènera pas, nous devons construire une fusée, et je ne peux pas vous donner les détails. de la façon dont nous construisons une fusée, mais voici les bases. Pour le contenu complet de l'interview, veuillez vous référer à l'article sur le site officiel de ZDNET (https://www.zdnet.com/article/metas-ai-guru-lecun-most-of-todays-ai-approaches-will -ne mène jamais à la vraie -intelligence/).

Si vous recherchez LeCun sur Baidu, vous pouvez voir de nombreux articles chinois traitant de ce sujet. À en juger par les déclarations de LeCun reproduites dans ces articles, il semble que LeCun estime que les algorithmes d'apprentissage profond basés sur des statistiques ne peuvent pas résoudre le problème ultime de l'IA et que nous devons prendre du recul et reconsidérer notre réflexion. Parce que LeCun a soulevé quelques doutes sur la manière de « mesurer l'information » dans les applications d'IA. Il a même mentionné dans une interview avec ZDNET qu'il souhaitait ajouter des capacités de raisonnement symbolique aux réseaux de neurones, mais il ne sait toujours pas comment les mettre en œuvre.

En fait, cela est lié au paradoxe de Moravec que j'ai mentionné il y a quelque temps. Les réseaux de neurones et une formation suffisante peuvent obtenir l'IA dont nous avons besoin ces années-ci, mais LeCun en a soulevé certains. des doutes à ce sujet, affirmant que les réseaux de neurones ne suffisent pas. LeCun était très dédaigneux à l'égard des opinions de Marcus. Il pensait même que Marcus n'était pas une vraie personne engagée dans l'IA, mais un chercheur en psychologie qui ne comprenait pas l'IA.

Cette interview a eu un impact énorme dans le domaine de l'IA. Même LeCun, qui se prétend bayésien, estime que la voie actuelle d'exploration de l'IA est erronée et qu'il devrait plutôt renoncer à construire des échelles et construire des fusées. Alors faut-il aussi penser à tout démolir et à recommencer ? Ce n'est pas le cas. Sur Twitter, LeCun a récemment publié plusieurs tweets, réaffirmant à plusieurs reprises qu'il ne nie pas complètement les méthodes des réseaux neuronaux et des statistiques, mais qu'il estime que l'apprentissage profond est la base de la technologie de l'IA.

Dans un autre tweet, LeCun a utilisé "une semaine difficile pour l'intelligence artificielle" pour exprimer ses pensées douloureuses. Peut-être que dans l’interview de ZDNET, il a exprimé un certain pessimisme. Nous nous demandons même si l’apprentissage profond peut donner naissance à une véritable IA. Il ressort de certaines déclarations récentes de LeCun qu'il a effectivement repensé récemment l'orientation technique de l'IA. Cependant, après une semaine de réflexion, il estime que l'orientation générale actuelle basée sur l'apprentissage en profondeur est correcte, mais doit être révisée. . Complètement subversif. Cela a également porté un coup dur à certains médias autonomes qui ont récemment fait le buzz sur ce sujet. Il semblait que le goût du melon changeait soudainement au fur et à mesure que je le mangeais. La technologie de l'IA n'a pas besoin de revenir au point de départ et de recommencer. Ce n'est pas une bonne chose pour les médias personnels, mais pour les praticiens de l'IA, ce n'est pas trop mal. Certaines autres technologies doivent être ajoutées à la technologie actuelle d’apprentissage en profondeur pour réaliser des percées en matière d’IA. Cela ne fait aucun doute.

Dans le domaine de l’exploitation et de la maintenance intelligentes, ces débats peuvent aussi nous apporter un peu d’inspiration. Dans le domaine de l’exploitation et de la maintenance intelligentes complexes, les algorithmes d’apprentissage profond ont remporté un grand succès et nous ont donné l’espoir de remplacer les experts par l’IA. Mais tout cela ne suffit pas, car il semble y avoir une montagne difficile à gravir sur le chemin à parcourir. Tout comme LeCun doit introduire des capacités de raisonnement symbolique dans les réseaux neuronaux, le domaine de l'exploitation et de la maintenance intelligentes a également besoin de combiner l'apprentissage profond et le raisonnement symbolique pour être plus efficace.

Toute idée selon laquelle des algorithmes basés sur des statistiques peuvent résoudre tous les problèmes, ou qu'une véritable exploitation et maintenance automatisées peuvent être réalisées sur la base de l'expérience d'experts, est fausse. Comment tirer pleinement parti des avantages des deux, construire une combinaison fonctionnelle et utiliser la thérapie cocktail peut être la bonne direction pour un fonctionnement et une maintenance intelligents dans des scénarios complexes. À l'heure actuelle, nous essayons également de ne pas nous fier uniquement aux graphiques de connaissances, mais d'élargir la portée des algorithmes intelligents dans l'ensemble des outils automatisés d'alerte et de diagnostic, afin de briser le goulot d'étranglement actuel et de mieux résoudre les problèmes des utilisateurs.

J'ai testé le D-SMART avec un client il y a quelque temps. Il a estimé que le D-SMART actuel n'est pas assez pratique. Bien qu'un diagnostic intelligent puisse indiquer au personnel d'exploitation et de maintenance quelle est l'étendue approximative d'un certain problème, il ne le peut pas. soyez précis. Ciblez des problématiques spécifiques. Afin de localiser avec précision, vous devez cliquer un par un sur les chemins de diagnostic recommandés par le diagnostic intelligent ou les suggestions de diagnostic fournies par la base de connaissances d'experts, ce qui est un peu gênant, et parfois la précision de la localisation du problème n'est pas assez élevée.

En effet, c'est le plus gros problème que nous ayons rencontré jusqu'à présent. À l'heure actuelle, la prise en charge de l'analyse de D-SMART pour certains problèmes simples est plutôt bonne, et les conclusions du diagnostic intelligent sont suffisantes pour que le personnel d'exploitation et de maintenance les comprenne. Si vous rencontrez des problèmes complexes, vous ne pouvez toujours fournir que des conseils directionnels au personnel d'exploitation et de maintenance et explorer en profondeur selon le chemin de diagnostic recommandé.

Si l'utilisateur est un expert très expérimenté, il sera plus facile d'obtenir des suggestions et d'aider rapidement l'expert à localiser le problème. Si l'utilisateur a des capacités insuffisantes ou n'est pas familier avec un certain problème, il peut quand même se sentir perdu. Dans ce cas, nous recommandons généralement à l'utilisateur de faire une « analyse du problème » et de m'envoyer le rapport, ou d'exporter les données de surveillance le jour où le problème est survenu via l'outil Holadata et de nous l'envoyer, et nous l'assisterons à distance. l'analyse.

L'AIOPS actuelle est loin d'atteindre le stade où la base de données peut véritablement être séparée des experts et atteindre l'autonomie, la construction d'un écosystème de personnes et d'outils est donc la clé. Les outils ne sont pas omnipotents. Les puissantes capacités de traitement des données fournies par les outils peuvent améliorer l'efficacité de l'analyse des experts. Ce n'est qu'en utilisant l'interaction entre les experts de première et de troisième ligne que nous pouvons vraiment faire du bon travail en matière d'exploitation et de maintenance. Et les praticiens engagés dans les travaux de l’AIOPS peuvent-ils également s’inspirer des réflexions de Yang Likun ?

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!