机器之心报道
编辑：陈萍、小舟
吴恩达在斯坦福大学 HAI 研讨会上进行内容分享，指出 AI 部署所面临的三大挑战，并给出解决方案。
随着人工智能的不断发展，大量先进算法以及配套硬件设施不断涌现，研究人员凭借新算法等不断刷新 SOTA 记录，但是在科研中、论文中实现的高精度性能，很多却不能应用于实际的生产中。AI 离真正的落地还有多远？
现阶段，许多公司和研究团队正在努力将研究转化为实际的生产部署。近日，机器学习大牛吴恩达在斯坦福大学 HAI 研讨会上分享了一些有趣的观点，即「如何弥补 AI 的概念验证与生产之间的差距」。
HAI（「以人为本」人工智能研究院）成立于 2019 年 3 月，由斯坦福大学人工智能科学家李飞飞和哲学教授约翰 埃切曼迪（John Etchemendy）共同领导，致力于推动人工智能领域的跨学科合作，让科技以人为中心，并加强对人工智能社会影响的研究。HAI 定期举办研讨会，此前吴恩达参加研讨会并做了演讲。
AI 部署所面临的挑战
在这次研讨会上，吴恩达分享了人工智能面临的挑战之一，即 AI 概念验证与产品落地之间的差距。
吴恩达从三个方面介绍了 AI 部署所面临的挑战：小数据、算法的鲁棒性和泛化能力，以及变更管理。
挑战 1：小数据问题
小数据在消费互联网以外的工业应用中很常见，而 AI 研究通常使用大数据，很多算法是针对大数据开发的。
但是很多行业可获取的数据规模有限，为了使 AI 在这些行业中起作用，我们必须开发针对小数据的算法。小数据适用的算法包括 GAN、GPT-3、自监督、迁移学习等。
挑战 2：算法的鲁棒性和泛化能力
大家可能已经发现，已发表论文中效果显著的模型通常在生产中不起作用，研究中声称算法结果已经超过人类的方法却不能很好地投入到生产，训练的模型不能很好地泛化到其他数据集等。吴恩达以医疗领域举例进行说明。然而这些问题不仅存在于医疗领域，其他领域也面临相同的问题。
挑战 3：变更管理
AI 技术可以使工作流程实现自动化或部分自动化，而这对相关人员的工作带来了影响。我们需要对整体的改变有更好地掌握。
解决方案
对于上述挑战，吴恩达也表达了自己的观点，给出了解决方案。他指出我们应该关心整个机器学习项目周期，除了构建机器学习模型以外，其他问题也应该更系统化，让 AI 更具可重复性和系统性：
我们应从范围界定到数据、建模和部署，系统地规划机器学习项目的整个周期。
吴恩达表示，学界和工业界应努力将机器学习转换成系统化的工程学科。
吴恩达演讲完整视频：
Java工程师入门深度学习（三）：轻松上手Deep Java Lipary
DJL是亚马逊推出的开源的深度学习开发包，它是在现有深度学习框架基础上使用原生Java概念构建的开发库。DJL目前提供了MXNet,、PyTorch和TensorFlow的实现。Java开发者可以立即开始将深度学习的SOTA成果集成到Java应用当中。
11月5日20:00，魏莱（AWS算法工程师）将带来线上分享，介绍DJL主要模块并结合具体场景讲解各模块的使用方法、主要API的使用方法和注意事项、神经网络从训练到部署的基本流程并结合动手深度学习Java版讲解具体代码和实操展示。
