机器学习的出现 会让程序员这个工种发生什么变化?

2023-11-20 22:10

本文主要是介绍机器学习的出现 会让程序员这个工种发生什么变化?,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

编者:洪小文,微软全球资深副总裁,微软亚太研发集团主席,微软亚洲研究院院长。对微软SAPI(Speech API)和Speech Engine技术的发展作出了众所公认的卓越贡献,并多次获得类别不同的荣誉和奖励。它还是美国电机电子工程师学会院士(IEEE Fellow)和国际公认的语音识别专家,现任《美国计算机协会通讯》(Communication of the ACM) 的编委,并在国际著名学术刊物及大会上发表了百余篇学术论文。他参与合著的《语音技术处理》(Spoken Language Processing) 一书被全世界多所大学采用为语音教学课本。另外,他在多项技术领域拥有36项专利发明。

本期硬创公开课,我们邀请到了微软亚洲研究院的院长洪小文博士,为我们讲解随着AI的快速发展其能否跟我们的智能相提并论,畅谈微软在人工智能上的发展战略,本文是公开课后读者问答整理。

机器学习的出现    会让程序员这个工种发生什么变化?

  • 洪老师您好,现在有种很热的论调认为AI正在引领第四次工业革命,AI的地位可以跟当年的蒸汽机、电、计算机等相提并论,接下来人类社会将进入智能时代,各行各业会发生巨大变革,您怎么看?

我同意这个观点,但是我大概不会把所有的功劳都交给AI。像之前提到的,AI其实和机器学习与大数据,它们其实是有重叠的(特别在今天讲的部分中大概有95%)。如果把AI换成大数据,我可能会更同意这个观点。虽然这三个并不是同义词,但是重叠部分真的很大。

这一次的工业革命其实也是计算机的一个延伸,因为当下每一样东西都数字化了,在微软我们把它叫数字化革命(Digital Transformation)。一开始是文档,再然后是语音档、视频档,现在是通过物联网所有的东西都数字化,把这些都整合在一起、再优化地话,的确各行各业确实都会发生巨大的改变,人们的生活也会更加的舒适、方便。

  • AI的未来是Augmented Intelligence,即human+machine的方式。可否举例描述一下您认为的human+machine的场景是什么样的?

首先,所有的程序后面都是人去编程的,本身就是AI+HI,AI里面没有人的算法的话是根本行不通的。

另外一方面,机器现在已经如此强大,已经可以帮我们做到很多事情。特别是在重复性的事情上,AI已经变成非常有用的工具。可以把它当成真正的“superman”,通过软件和硬件的结合,来完成很多我们不能完成的事情。

这就是为什么我认为以后或许人们谈到AI不是提到Artificial Intelligence,而是Augmented Intelligence。

  • 通过小冰做过哪些社会实验吗?有没有什么有趣的结论可以和我们分享?

我们的确给小冰做过一些初始性的社会实验,来探讨人的个性。因为在社会学上,人有各种不同性格。我们另外有和其他的一些数据结合,也发了一些paper,有兴趣地可以去了解一下。

  • 现在热炒的机器学习,深度学习是一场闹剧与泡沫呢?还是切实的产业革命?

闹剧和泡沫可能也过了头,因为有很多人在认真的做深度学习,也是很理智的心态去对待它,认为还有很多需要改进的地方。的确有一些人是在过分深度学习,但是也不能因为这些小部分而否定掉所有人的工作。

深度学习和大数据的结合,的确能给人类产生很大的帮助。但是把功劳都给AI或者深度学习,也的确是不妥当的。深度学习的确很有用,但是它也有自身的局限性,还需要往前不断发展。

  • 微软有没有考虑推出一些AI Framework?比如HTN,G.O.A.P等

我们有推出的认知服务(Cognitive Service), 以及在深度学习上的CNTK。我们也有在关注其他不同的Framework,将来也会一直关注Framework的发展,Framework可以说是API、SDK更深度发展的代名词,可以预见在未来肯定会有更多的Framework出现。

  • 机器学习的出现,未来会让程序员这个工种发生什么变化?

对于程序员来说,机器学习还有其他人工智能的发展肯定是利多

就像我之前讲得,机器不但不能自己产生算法,就算你给它一个算法还是需要程序员来program。程序员不单只是把别人的算法program出来,很多时候程序员还需要自己去寻找算法的。所以以后对于程序员的需求只会更大。

题图来自insidehr.com

机器学习的出现    会让程序员这个工种发生什么变化?


本文作者:李尊


本文转自雷锋网禁止二次转载,原文链接


这篇关于机器学习的出现 会让程序员这个工种发生什么变化?的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/397774

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个