微軟：人才稀缺正在阻礙機器學習的大規模運用，“機器教學”或可解決行業痛點
不懂演算法的人，未來也能自主開發訓練機器學習模型。
機器學習是將 "AI" 部署到產品或服務中的重要途徑，因此對演算法專家的需求量也隨著 AI 的火熱而日益暴增。這樣一來， 演算法技術人員的稀缺直接限制了機器學習的大規模運用 。
為了解決這一行業痛點，微軟 AI 研究院進行了多年的觀察和研究，找到了一種可以將機器學習與演算法背景分離開的方法：” 機器教學 ”，併成立了機器教學專家組。
微軟承諾，”機器教學”工具將最大程度降低模型開發的准入門檻。
機器學習 VS 機器教學
簡單來說， 機器學習是讓計算機擁有類似人的學習能力來解決問題 ，為了獲取這種能力，需要大規模資料訓練，利用演算法發現數據背後隱藏的關聯和規律，生成模型。下次遇到新的資料，就可以通過模型預測結果。
在比較困難和模糊的深度增強學習中，一個任務的解決方案有數百萬種可能，如果機器學習從 0 開始訓練，不僅浪費大量的計算資源和時間，結果也不一定如人所願。
人類學習的優勢是可以從有限的樣本歸納出泛化能力極高的準則。如果某些領域專家（律師，會計師，工程師等）將一些抽象概念分解成更容易的任務交給機器學習，併為機器學習模型提供如何更快找到解決方案的線索，這將大大縮短模型找到解決方案所需的時間。
圖丨機器教學過程（來源：Microsoft blog）
“機器教學”就是讓計算機從非技術行業的專家那裡學習知識規律，而不是僅從資料中提取知識。這種更依賴於行業專家的知識引導，模型結果也更符合專家意圖。
微軟研究人員將”機器教學”作為”機器學習”的補充。機器學習是在演算法的基礎上找到資料模型，機器教學是專業人士用專業技能來訓練機器學習模型。
圖丨 微軟AI 商業總經理 Mark Hammond（來源：DanDeLong for Microsoft）
本質上， ”機器教學”是在”機器學習”層次之上的，它能讓沒有編碼能力的人也可以部署和訓練AI 系統 。微軟 AI 商業總經理 Mark Hammond 在接受 venturebeat 採訪時解釋道。
微軟研究員 Simard 很早就注意到，在機器學習會議上幾乎所有論文都在研究如何提高演算法，而同一演算法在不同的資料集上表現差異非常大，實驗中的效果未必能在真實世界產生的資料中復現。他意識到，現實中很多行業擁有的資料有限，處理的任務也很簡單機械。”機器教學”比”機器學習”更適用這些行業。
圖丨 微軟研究員Patrice Simard，Alicia Edelman Pelton和Riham Mansour（左至右）正致力於將”機器教學”融入微軟產品中。[來源：DanDeLong for Microsoft]
2015 年，微軟 AI 研究院成立人工智慧機器教學組，之後微軟又分別在 2018 年 6 月和 9 月收購了 Bonsai 和 Lobe 兩家創業公司。Lobe 專注於無需程式碼的深度學習，Bonsai 旨在幫助企業開發用於製造、建築管理和機器人的系統。目前，擔任微軟 AI 商業總經理的 Mark Hammond 正是前 Bonsai 公司創始人。
仍需 AI 演算法專家坐鎮
AI 的發展最終一定會讓越來越多的普通人也能接觸運用它，微軟視訊演示中的”機器教學”工具 demo 向大家傳遞著這一可能性。
不過，也引來了業內專業諮詢公司 Gartner 的質疑，行業分析師 Erick Brethenoux 表示未來公司仍然需要 AI 專家。
一方面，”機器教學”取決於特定的 AI 試錯法，也就是深度增強學習。例如，如果目標是將物件移動到特定目的地，則只要系統將物件指向正確的方向，系統就會得到正向反饋。Brethenoux 稱這類應用領域目前仍然非常窄，很難大規模推廣使用。
即使微軟能將它的適用範圍推向更多領域，Brethenoux 仍建議企業要有 AI 專家在後臺監控預測系統，以便隨時應對可能發生的情況。
Brethenoux 還指出，微軟並不是唯一一家試圖簡化機器學習模型開發的公司。另外有 Cogitai (https://www.cogitai.com/)，是一家能提供個性化的深度增強學習平臺，以及谷歌 Cloud AutoML (https://cloud.google.com/automl/)，向用戶承諾可以用最少的機器學習知識訓練自定義 AI 模型。不過 Brethenoux 對微軟在普及 AI 開發工具上的努力和貢獻還是非常肯定的。
目前，微軟在多個視訊中演示了機器教學專案的建立使用過程，預計將於 5 月 6 日至 8 日在西雅圖舉行的 Build 年度開發者大會上，釋出更多有關升級微軟機器教學模型工具的細節。
參考：
https://venturebeat.com/2019/04/23/microsoft-ais-next-frontier-is-experts-teaching-machines/
https://blogs.microsoft.com/ai/machine-teaching/
-End-
座標：北京·國貿
聯絡方式：[email protected]
請隨簡歷附上3篇往期作品（實習生除外）
點選閱讀原文了解題跋派 ↓↓↓