联邦学习与人工智能.pdfVIP

融合论坛INTEGRATIONFORUM

目前，人工智能面临的挑战有：

一、人工智能很难定义问题；

二、不能完全自动化地收集数

据；三、好的应用模型还不能和

业务逻辑完美结合。

—微众银行首席人工智能官杨强

联邦学习与人工智能

首先，我们把人类学习和机器学习进行对发展。

比。人的大脑由很多个神经元组成，我们的神人工智能算法的设计需要很多模型的支

经元组成我们的机制。不同的神经元之间可持，包括神经元和神经元之间的连接、深度学

能有连接，连接管道的粗细代表我们学习的强习网络等。那么由谁来搭建这样一个网络？这

度。就需要人工智能工程师。

人类学习新知识的时候，经常会接触一些我们知道，人工智能领域的人才少、培养时

新的概念，大脑会加强对新概念、新知识的记间长、投入成本高。我们很自然会提出这样的

忆。我们可以把这个理念赋予计算机，形成我问题，我们有没有可能用AI设计AI？这可以解

们熟知的计算机神经网络，也是我们今天深度决很多企业、行业所面临的AI人才严重不足的

学习得以成功的一个最基本的单元。一个神经问题。要解决这样的问题，我们不妨看看人工

网络有输入，也有输出，输入和输出之间的学习智能解决此类问题的流程。

过程，会把两个神经元之间的连接加强或者减首先，我们要定义问题。我们把一个问题

弱，形成一个网络。从现实场景，如金融、制作，变成人工智能的目

人工智能的成功不仅取决于算法的成功，标，我们把它称之为目标函数。同时，我们要定

更取决于硬件方面的突破，以及大数据技术的义问题解决时的约束条件，我们把这些约束条

52软件和集成电路SOFTWAREANDINTEGRATEDCIRCUIT

主题演讲

件变成数学公式，把行业中遇到的问题变成一小数据的问题—迁移学习，所谓迁移学习就

个数学问题，这个过程就像艺术一样。但是这是用类比的方法把一个已经建立好的模型和一

个过程很难自动化，很难用人工智能的方式进个有大数据的领域的知识迁移到只有小数据的

行改造。领域。我们发现在成熟领域数据足够大的前提

其次，我们要收集数据。收集数据看上去下，我们可以非常好地实现迁移学习。

很简单，但实际上需要很多人的力量。数据不一我们的最终目的是获得一个好的模型，我

定在本地存储，很多数据需要通过人与人的沟们把这个模型类比成一只被饲养的羊，数据就

通来获得，或者通过两个不同机构之间的战略像草一样，要想让羊吃到草，我们就要收集在

联系来获得。并且因为监管的缘故，数据不能不同的地方的草，就像我们到不同企业收集数

很简单地从一个地方传到另一个地方。所以，收据一样。但是现在我们不能把