易坊好文馆

  1. 首页 > 玩科技 >

多任务|AI决策进阶：深度学习迁移技术赋能决策( 二 )

决策 场景 应用 智能 数据 技术 算法 样本 深度 模型 机器学习 多任务


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 。
算法迭代 ， AI决策“破圈”
数字经济时代 ， 产业创新迭代加快 ， 新消费、新制造、新金融等新商业形态层出不穷 ， 越来越多的新场景面临小数据、冷启动问题 ， 基于传统机器学习算法就难以为其提供AI决策智能方案 。 比如在网上新开一家店铺 ， 售卖的产品或服务在市场上较为少见 ， 由于缺乏数据 ， 就无法建立合适的模型 ， 对用户进行智能推荐 。
利用深度学习迁移技术 ， 能够在小数据的情况下实现模型的搭建 。 从迁移学习的价值角度来看 ， 主要体现在建模效率和模型优化上 。 一方面 ， 迁移学习能在源域或相似的知识基础上训练 ， 快速迁移至新的任务中 ， 无须再去耗费成本采集新的样本集;另一方面 ， 迁移学习基于数据相关性 ， 扩展了样本集 ， 实现模型的优化 。
国内一些AI技术供应商纷纷探索迁移学习的技术应用 ， 如萨摩耶云应用自动多样本混合器迁移学习 ， 用一个任务开发的模型作为另一个任务模型的起点 ， 从而有效优化AI模型 ， 并缓解模型训练样本不足带来的问题 ， 使目标任务达到较好的性能 。
在应用场景上 ， 深度学习迁移技术在金融、医疗、零售、智慧城市等场景中具备非常大的业务潜力 ， 尤其是一些新的商业场景 ， 迁移学习算法可以把已学到的知识分享给新的模型 。 产业数字化转型背景下 ， 人工智能技术从互联网、金融领域扩展到更丰富的业务场景 ， 这也为迁移学习带来机遇 。

推荐阅读


上一篇：功能|收获国际认可 OPPO获得CC MDFPP国际安全认证

下一篇：方面|荣耀Play5活力版正式发布，起售价1799元