深度学习|AI决策进阶：深度学习迁移技术赋能决策

现实生活中，我们经常会把一个行业的经验迁移至另一个相关行业，达到高效学习的目的。在机器学习的算法中，迁移学习也能实现同样的效果。基于迁移学习技术，互联网公司旗下的视频、电商业务场景智能推荐知识可迁移至广告、应用程序等其他产品的推荐业务，一些电子产品的用户评价模型也可用于视频、游戏等产品的舆情分析中。
产业数字化转型浪潮迭起，各行各业都需要建立与自身商业模式适配的AI大脑，实现智慧经营、智能决策。AI决策的应用离不开模型、大数据、算法的支撑，其中模型的好坏决定智能决策解决方案的精准度。

文章图片
人工智能技术日益精进，目前在建模方法上，深度学习、迁移学习等机器学习技术有机融合，不断提升AI建模效率，优化模型的决策效果。深度学习经过大数据训练，能快速掌握数据规律，对结果作出预测；迁移学习利用数据和模型之间的相似性，能在不同场域实现知识迁移。二者结合便能为人工智能向产业加速渗透输出更多高质量的模型，打开AI赋能空间。
在技术应用过程中，人工智能已从传统的多数据场景延伸到各种业态，这对机器学习提出了新的要求和方向。迁移学习的多任务学习、跨领域学习等能力优势显露，它在一定程度上消解了传统机器学习的痛点。DeepMind 首席执行官 Demis Hassabis 曾公开谈到，迁移学习是最有前途的技术之一，有朝一日可能会触发通用人工智能的诞生（AGI）。
事实上，正是基于深度学习、迁移学习技术，模型得以实现迭代和输出，人工智能才能源源不断地落地应用，成为产业数字化转型的智能基础设施。深度学习与迁移学习融合加快，通用智能变革也会接踵而来，这为各类商业场景的智慧化改造带来可能。
知识迁移，化解建模难题
近年来，越来越多的人工智能应用从实验室走进老百姓的日常生活中，藏于应用背后的机器学习也为大众所知。就机器学习的各个分支发展情况而言，深度学习是当前相对成熟且被广泛商用的建模方法。例如生物识别、图像语音识别、应用程序中的智能推荐等。
机器学习在技术上主要基于大量的有标签样本和同分布样本，从源源不断的大数据中挖掘规律，根据模型进行预测分析。这也就解释了为什么当我们打开资讯和短视频App时，平台就推荐与受众阅读习惯相符的内容。
不过，强大的机器学习在实际应用中也会遇到数据较少、数据分布差异的场景，这就催生了机器学习的演进，向迁移学习迈进。迁移学习实质上就是把某个领域已训练的模型或已学到的知识，迁移到另一个相关领域，提升目标领域的学习效果。迁移学习的核心逻辑在于找到共性与相关性。
尽管领域或任务不同，但场景的相关性能让模型学到的知识轻松输送给目标领域，实现高效建模，完善模型的科学性。以骑摩托车为例，假如A从未骑过摩托车，他的摩托车经验空白，但他骑过自行车，自行车的平衡控制与摩托车相似，那么他就能利用骑自行车的经验快速学会骑摩托车。这个过程可近似看作迁移学习过程，借助知识迁移，既能突破少数据、少经验困境，又能提高学习效率。
除了能应对样本标签量不足的问题，迁移学习还能纠正样本分布偏移，降低因样本分布变化产生的模型失衡。具体来看，迁移学习的多任务学习方法可将不同类型的标签样本同时建模，丰富模型训练的样本量；领域适配方法可以把事件样本迁移到客户全量样本上，减少样本分布变化带来的影响，从而在目标领域中建立更加可靠的学习模型。这不仅提升模型训练效率，还进一步增强AI性能。

深度学习|AI决策进阶 ：深度学习迁移技术赋能决策

深度学习|AI决策进阶：深度学习迁移技术赋能决策