在您的研究和開發中使用深度學習的決定可能是一個很好的決定。但只有你仔細考慮結果。由于圍繞AI進行了大量宣傳，特別是深度學習，因此很難不跳到火車上并認為AI將解決所有數據分析問題。在2019年太平洋設計與制造展上，勞倫斯伯克利國家實驗室神經系統與工程實驗室的博士后研究員Jesse Livezey說，情況并非如此。深度神經網絡(DNN)可以為研究人員提供一些強大的計算優勢，但并不是每個人都需要的東西。

在Livezey自己的研究中，他和他的團隊能夠將深度學習應用于腦機接口(BCI)的語音識別。目的是創建一個BCI，它可以準確地解釋腦波模式中的語音，以幫助殘疾人。Livezey的研究發現，當深度學習神經網絡產生與輔音元音相關的錯誤時，它對應于什么樣的物理結構(嘴唇，舌頭等)與發出聲音有關。由于大腦的不同子區域控制著嘴唇，下顎，舌頭和喉部等結構，因此研究人員可以更深入地了解BCI應該從哪里收集語音信號。

這只是一個具體的例子。但Livezey很快就提醒觀眾，雖然深度學習提供了許多好處，但它也有缺點，不能使它成為一種通用的解決方案，很多人都傾向于將其視為一種解決方案。

加拿大設計與制造部門專注于對您而言至關重要的最新軟件和產品。深入探索生成設計，電子元件，3D打印，快速原型設計和機器學習等令人興奮的創新。學到更多!

讓我們首先得到最明顯的關注。深入學習甚至是最適合您的解決方案嗎?

“你先做過更簡單，更易解釋的事嗎?”Livezey問道。他說，研究人員需要弄清楚最終用戶正在尋找什么類型的結果。只是擁有非常好的表現并不一定是需要的。

他說，DNN的巨大優勢在于它們提供“高精度，高定位和高精度。”在某些使用案例中，這可能就是您關心它的全部內容。但是在其他領域，例如科學或醫學研究，您可能想要了解算法正在做什么(稍微更多關于此)，并且您不需要盡可能具有表現力。這就是你可能想看其他方法的地方。

此外，還有一個問題是理解正確的神經網絡或任務的組合。你在使用CNN嗎?一個RNN?一個MNN?那些的組合?還有別的嗎?您需要查看手頭任務的最佳選項，編程和訓練神經網絡的工作可能不一定能在最佳時間范圍內提供最佳結果。

2.)有偏見嗎?

算法與提供給它們的數據一樣好。在有偏見的數據上訓練神經網絡會導致各種不利影響。它可以導致AI解決錯誤的問題或得出錯誤的結論。在最壞的情況下，你會獲得人工智能，它會實行掠奪性貸款并表現出種族偏見。

“你想知道你的數據集中是否存在偏差，你的機器學習算法是否正在使用它們做出決策?”Livezey說。“你必須通過從你認為重要的數據集中拉出碎片來確保你的算法正確推廣。”

DNN在性能方面表現出色，但Livezey告誡性能不一定是最終的全部。

深度網絡非常靈活，您可以擁有許多不同類型的輸入和輸出映射。“深度網絡確實可以比傳統方法(如線性回歸)更好地擴展到更大的數據集，”Livezey說。

這方面的缺點是它還意味著有更多的設計選擇供研究人員和工程師進行分類。這可能意味著在前端進行更多的計劃工作，除非DNN提供顯著的好處，否則所有這些工作可能都不值得。

然而，神經網絡的最大缺點是缺乏透明度。就像他們模仿的人類神經元一樣，深度神經網絡在如何在許多方面實際發揮其功能方面有些神秘。“我們沒有很好的方法來解釋這些深層網絡正在做什么，”Livezey說。如果您習慣使用回歸或決策樹等方法，那么內部工作非常清晰明了。與DNN不同。“對網絡的深度工作以及做出決策仍有很多研究，”他補充道。

Chris Wiltz是Design News的高級編輯，負責新興技術，包括AI，VR / AR，區塊鏈和機器人技術。