在媒体炒作和命令行界面之间，机器学习和人工智能确实代表了构建更好产品的机会。费格尔·里德在对讲机上照看这个地方。费格尔在创办了自己的机器学习初创公司后加入了Intercom，然后将这家初创公司出售给Optimizely，在那里他带领一个小组专注于这个主题。今天，他是我们的机器学习战略家，在那里他监督如何将这项技术应用到我们自己的对讲机产品和像我们的运营商机器人一样的东西。为了帮助区分炒作和潜力的真正存在，以及对今天的产品开发者意味着什么，我在我们的播客上主持了Fergal。费格尔概述了我们在未来几年内可以从这项技术中得到什么，哪些现实是遥远的，以及如果你选择在这个领域中建造，你必须考虑的问题。如果你喜欢这段对话，请查看我们的播客。你可以在iTunes上订阅，也可以在你选择的播放器中获取RSS提要。下面是一段经过轻微编辑的对话记录。时间不够？以下是五大要点：关于人工智能和机器学习，现在有很多议论。为了让关于人工智能和机器学习的讨论富有成效，费格尔认为你必须清楚地梳理出定义。技术人员一直致力于改善计算机视觉，但这个过程仍然是手工的。在过去的五年左右，我们真的跨过了人工智能支持下的计算机视觉的门槛。模拟自然的人类对话是一个挑战。费格尔认为，我们肯定还没有到这样一个阶段：我们拥有一个智能化的系统，并且能够控制对话的内容。创建一个适合用户的机器学习系统仍然很困难。通常，你可以建立一个非常强大的机器学习系统，它能很好地完成90%的任务，但是剩下的10%就让它无法进入野外。尽可能购买智能解决方案。构建这些解决方案既昂贵又耗时。德斯特劳纳：费格尔，欢迎收看节目。你能分享一下你的背景吗，以及我们为什么要在今天的节目中探索人工智能和机器学习？费格尔·里德：那时候，我拿到了计算机科学的本科学位。我一直对人工智能和机器学习感兴趣，所以我专门研究这些领域。我做过一些软件总承包的工作，然后我回到学校拿到了博士学位。2009年，我开始从事网络分析和机器学习应用于网络分析。在我的博士期间，我看到了很多应用机器学习项目，并得出结论：机器学习行业是非常面向批量的——它没有考虑到我们在现实生活中如何部署机器学习系统。在我拿到博士学位后，我与人合伙创办了一家初创公司，致力于创造一种动态的、自适应的机器学习方式。我们的初创公司是由Optimizely收购的，我们花了几年时间在Optimizely的产品和机器学习角色上工作。然后我组建了一个家庭，从旧金山搬回都柏林，在这里做对讲机工作。Des：人工智能和机器学习有时因为不必要的学术性而受到批评。作为一个曾经失败过的博士生，当我听到人们说"学术"这个词时，我会感到防备，因为他们的意思不是积极的。你是如何从一个学术博士的世界跳到为世界生产实时代码的世界？费格尔：如今，当人们签约攻读计算机科学博士学位时，相对而言很少有人会继续在学术界工作。我可能很不寻常，因为我在从事软件承包的几年之后回到了学术界。我没有拿到博士学位就开始了学术生涯。相反，我想更多地了解机器学习和人工智能，这一直是我感兴趣的领域。实际上，我在回去读博士之前有一定的软件工程经验，这对我回到学校时帮助很大。对我来说，离开这家公司去创业是很自然的。在当今技术背景下定义人工智能和机器学习Des：似乎在过去的两年里，你不可能在阅读新闻时不听到新的人工智能突破或机器学习能力。怎么回事？这纯粹是媒体的事情还是过去几年里事情发生了变化？费格尔：两者都有一点。关于机器学习的故事绝对有一个巨大的高峰，这有时会使事情变得不成比例。还有一些有趣的事情正在发生，它们都是真实而有意义的。为了使关于人工智能和机器学习的讨论富有成效，你必须梳理出一些定义。Des：这里的关键术语是什么？费格尔：机器学习的定义相当明确。它基本上是应用统计学的一个分支。你有一个问题，你试图解决它，然后你有一个系统，当你给它更多的训练数据时，它的性能会得到提高。这就像你遇到了一个统计问题，比如估计人口中的平均身高。你得到的数据越多，你的估计就越好。机器学习是一个很好理解的领域。它已经存在一段时间了，很有价值。近年来，它开始解决一系列历史上不太容易解决的难题。应用人工智能是非常真实的发生的事情人工智能是一个更模糊的术语。这是一个非常古老的术语，也是一个非常有抱负的术语。人工智能的起源来自人们谈论通用智能，试图制造出和人类一样聪明和智能的系统。这就是当今世界事情变得复杂的地方：你有应用人工智能和一般人类水平的人工智能。一般人类水平的人工智能似乎遥遥无期，或者至少，我们还没有到达那里，而应用的东西是一个非常真实的事情正在发生。Des：你能给我举一些通用人工智能和应用人工智能的例子吗？费加尔：对于一般的人工智能，你说的是一般智能的东西，比如人类。能解决各种问题的东西。这就像科幻小说中的概念一样——电脑像人类一样思考。学术界和工业研究实验室正在进行的一些工作，似乎在一些我们以前无法触及的一般问题上取得了进展。弄清楚你在说什么真的很重要。目前在关于人工智能的讨论中，很多困惑来自于人们交替使用这两个术语（应用人工智能和人类水平人工智能）。我看到一些文章，有人说，"埃隆·马斯克说人工智能会来抢走我们所有的工作，或者来找我们"。另一个人有一个人工智能公司来解决非常具体的行业问题，而这两件事就被夸大了。这对任何人都没有帮助。机器学习终于发挥其潜力了吗？Des：说到机器学习，你说过有些事情我们现在非常擅长，有些问题比2000年时更容易解决。费加：那是真的。这是非常真实和激动人心的。计算机视觉就是一个很好的例子。几代人以来，人们几乎都是手工编码算法，手工编码来检测图像的特征。他们试图用非常手工编码的方式检测直线和边缘，以识别照片中的自行车或鸟。成功并不是我们真正想要的。制作一个引人注目的演示总是很容易的，但是要制作出一个能正常工作的系统是很难的，你可以把它发布到野外。在过去的五年左右，我们真的跨过了计算机视觉的一个门槛。我们现在有了可以接受的准确性。你可以将带有内置对象识别器的谷歌照片发送到1亿部智能手机上，而且大多数时候它都能正常工作。有一些小问题和问题，但最终用户可以接受这个错误。这显然是一个巨大的成功案例。谷歌照片面部识别软件现在可以成功识别宠物。其他成功的例子还有音频识别和自然语言翻译。所有这些成功案例的共同点是，我们对非结构化数据的理解要高得多，这些数据没有很好地标记和分类，数据看起来像是一个充满像素的大图像，或者是一个充满比特和字节的大声音文件。与五年前相比，我们更擅长将非结构化数据转换为结构化数据。这是因为一种叫做深度学习的东西，它是一种突破性的机器学习技术。你也可以说，这是一种古老的机器学习技术，现在终于好起来了。我们终于有足够的计算能力和良好的技术来实现它的潜力。Des：现在有没有一个我们还在挣扎的问题的典型例子？比如，如果图像识别或视觉效果良好，是否有相应的领域我们还没有真正取得进展？有很多要求我们还没有解决。看非结构化数据是一回事，在这些数据中，你有1亿张照片，随着时间的推移，你已经学会了识别其中的对象，但有很多东西我们甚至还没有接近。例如，考虑与聊天机器人交谈，聊天机器人会像人类一样产生完全自然的反应。我们肯定还没有到我们有一个智能化的系统，可以控制对话的内容的阶段。Des：你所画的区别是，有一些东西可以自己生成响应，而不是可以从预先配置好的答案库中进行选择，对吗？你是说我们现在还没有建立一个聊天机器人，它可以创建、构思和返回一个合适的答案。费加：没错。我们不是