深度学习
Hans Mangelschots : 2019年人力资源七大趋势
文/Hans Mangelschots
随着年底的临近，所有人力资源趋势观察者或影响者都在公布他们对下一年的预测，各种形式的人力资源技术都是绝对的赢家。另一方面，研究也告诉我们，对于目前人力资源技术在人力资源方面的能力还存在着各种各样的疑问。
是时候清理一些流行词汇，并给出2019年人力资源七大趋势(幸运的数字7)，基于在几个人力资源技术领域的投资，商业方面的紧迫感和人力资源对人力资源技术的信任/信念。
全球趋势
随着人们对人力资源技术的日益关注，人们对工业4.0以及数字转型背后的机遇的认识正逐渐深入商界。这带来了许多流行词，它们有时更像是炒作，而不是救命稻草。稍后会详细介绍。与此同时，招募，保留和L&D的挑战已经过了否定阶段。
Fosway公司与欧盟人力资源主管的一项研究表明:
75%的公司计划购买人力资源技术来应对未来的挑战
86%的受访者表示，终端用户体验是购买新人力资源技术的关键驱动因素
95%的人认为准确的数据和分析对于他们人力资源运营的成功非常重要
然而，66%的人力资源主管认为，当前的人力资源技术还没有做好准备，因为业务重心越来越倾向于对人力资源领域产生影响的人员问题：
就业率
提高商业文化和实践的透明度
代际转移和技能差距
多样性、包容性、性别平等......
全球趋势对投资市场产生了影响，人们对人力资源技术的关注正在增长。
（来源:HR Federation。注:graph不包括SAP以80亿美元收购Qualtrics、以5000万美元收购Workables以及其他一些项目。）
2018年最受投资者欢迎的人力资源技术类别有:
HCM
人才获取
人才管理
2018年最受投资者欢迎的人力资源技术分类为:
Jobboards /市场(TA)
协作与沟通(HCM)
学习与发展(TM)
“似乎随着新产品每天进入市场，从初创企业到市场领先的传统供应商，全球投资者都在争相进入人力资源技术领域。——HR Federation”
趋势1:薪资体系创新
您的工资单是基于云计算的吗？如果你想在连接其他工作与生活应用程序时降低成本，那就应该这样做。研究表明：
工资单系统的部署时间长短对工资单应用程序的替换计划有影响
计划在未来12个月内更换现有工资单应用程序的机构报告称，他们的系统已部署了8.62年(平均而言)
计划在未来两年内更换现有工资单应用程序的机构，报告其系统已部署10.85年(平均而言)
然而，工资是公司的支柱，而创新对员工的核心承诺听起来并没有那么糟糕。考虑到这些薪酬系统的遗留问题和Windows XP特性(无意冒犯比尔•盖茨)……
40%的人力资源主管计划在未来两年内改变他们的薪酬体系，45%的人将对他们的核心人力资源系统做出同样的改变。
薪酬透明度是一种趋势，到2019年将更广为人知，因为性别平等、多样性和包容性将成为更热门的话题。同样的工作，女性的收入是男性的80%并不合理。你希望人们知道你会平等对待他们。
Linkedin宣布了他们新的招聘模块——包括薪酬透明度
薪酬建模（Pay Modeling）是另一种趋势，明年将更加流行。在这个时候，一个自助服务的员工已经有可能挖掘他的工资单，看看他的扣除额减少了多少，以及他享受的其他公司福利是什么。
在未来(当法律问题得到解决)，员工将有可能建立（ Modeling）他的工资单，在他需要的时候得到他想要的。
也就是说，当员工在宠物保险上获得折扣，但他没有宠物时，该员工将有可能将这项福利转变为另一项，比如将宠物保险换成牙科保险。
事实上，根据法律问题的不同，结合员工的反馈，创造一个独特的奖励系统的可能性是无穷无尽的。
趋势2:人工智能/机器学习的实际应用
第一：让我们消灭这个流行词
AI是一个流行词吗?是的，正如“算法”被严重高估为一个数学公式一样。
人工智能的明确定义是:“能够执行通常需要人类智能的任务的计算机系统的理论和发展”。
从这个角度来看——想想任何一种机器——人工智能不是已经陪伴我们几十年了吗?比人类更聪明的发展是最近才出现的，但仍然…深蓝是于1996年第一台真正打败世界冠军的国际象棋计算机。也就是说，如今人工智能的炒作实际上(99.9%的案例)是关于机器学习(和深度学习)的。
然而，人工智能是一个很好的开场，但在这一点上，它往往过于抽象。人们想知道人工智能能为他们做什么，人力资源也不例外。
人力资源与机器学习
当使用机器学习实现人力资源流程自动化时，人力资源想要知道有哪些可能性，而人力资源主管感兴趣的是人工智能的使用——而不是人工智能本身;
76%的人希望采用预测分析
70%的人想要采用聊天机器人
58%的受访者希望采用候选名单
58%的公司希望采用仪表板和报表
由于机器学习的使用有很多的关注和优势，HR必须小心：太多的自动化会导致去人性化，这往往会对员工体验产生负面影响。
到2019年，这项技术将以更坚实的形式出现，并将用于几个人力资源类别。由于2017年的大量投资流向了人工智能和机器学习在某些人力资源子类别的开发，我们预计这些开发将在2018年进行，并将于明年投放市场。
趋势3:全面福利发展
全面的人才发展将演变为全面的福利发展。员工将被置于他工作和生活经验的驾驶员位置。
不是平衡两者，而是工作和生活都是个性化的体验。为了实现业绩和保留，人力资源部必须把员工作为一个整体来看待——在整个员工生命周期中关注员工的体验。
不仅包括健康，还包括观察员工的生活，以及雇主在已经做出的承诺之外可以给予的额外价值，比如财务建议或帮助，团体折扣，健身基金，学生贷款，支付方式等。
特别是当人力资源向个人层面的消费越来越高，来满足未来员工的期望。提供这类功能的自助服务技术，结合薪酬模型，由于需求只会在一段时间内增长，因此预计将有一个美好的未来。
趋势4:学习是新的招聘/招聘是新的学习
技能差距不仅仅是一个内部问题，而是需要通过学习和发展来解决。某些技术已经创造了一种可能性，可以在潜在的新员工被聘用之前通知和教育他们，不管他们的技能如何。
招聘将把学习带到更远的地方。也就是说，通过在内容(营销)策略中为可能的候选人提供学习内容，公司将在吸引和教育这些“追随者”的同时——吸引品牌大使来提升忠诚的技能。
这一原则也适用于当前的工作人员，再加上微型学习平台，这些工具有潜力建立和保留领域知识，提高雇主品牌和员工/候选人的经验。
学习技术被消费化和游戏化所打断，因此对投资者来说，投资技术非常有趣，这意味着人力资源开发的质量。
55%的人力资源主管计划在未来两年内改变他们的入职技术
48%的人力资源主管计划在未来两年内改变他们的学习和发展
Facebook将LinkedIn作为职业门户网站，提供电子学习、扩大师徒关系和职位功能
提供以上建议的微型学习和入职培训解决方案是为未来准备的，因为学习可能会成为新的招聘方式——在学生或失业时，在教育和个人成长方面给予候选人额外的优势。
趋势5:生动的(VR)候选人体验
当谈到招聘时，这种趋势将继续以生动的候选人体验让未来的求职者感到惊奇，以可持续的工作匹配来吸引和告知他们。
像虚拟现实和增强现实这样的功能将在2019年蓬勃发展，因为第一个例子早已在几年前进行过实验。
2018年，这些实验在招聘策略和补充人力资源技术方面进行了尝试和实施。明年，这些实验将在人力资源技术整体提供以及补充技术方面实现一个更具结构性的重点。
英国陆军招募新成员使用VR“让他们体验战斗前线的真实感受”。
挪威陆军的试验包括一个使用VR的坦克虚拟驱动器。
威勒门集团(一家比利时建筑集团)提供了一个“走进你的未来”的机会，这实际上是一种为他们工作的体验，为他们所有的形象服务。这样候选人就能有一个清晰的视角。
趋势6:技能量化
随着学习和发展成为员工敬业度和留住员工的关键驱动力之一，企业将着眼于自己的员工来填补技能缺口。
51%的人力资源主管计划在未来两年内改变招聘/人才获取方式
51%的人力资源主管也计划在未来两年内改变或进入分析领域
通过将所有员工的硬技能和软技能与新员工的技能相结合的能力，将个人资料和职能划分为任务和角色的趋势，可以通过项目工作的内部市场加速内部人才流动。
人力资源部门不会看到人才离开公司，而是会重新审视如何留住最有价值的员工，或者如何从长远来看找到她/他。
他们将任务划分为特定的角色和微观技能，而不是将工作视为一个整体。有远见的雇主甚至会考虑将内部的职业市场与外部的职业市场结合起来完成工作。
随着人力资源科技市场有一整套新的解决方案来优化其内部人才的使用，这些公司现在正在寻求内部采购和外包之间的平衡——或者深入了解他们的劳动力技能，以及来自组织外部的投入来交付基于项目的工作。
随着技术的发展，通过可靠的人员分析，它将变得更具可操作性，因此对潜在的投资者来说很有趣。人力资源部的建议是，在这些技术以更高的价格提供之前，要灵活地进行调整。
趋势7:把事情做好
随着新的人力资源领导进入人力资源，他们也是劳动力的一部分，并通过这样的变化。结合非IT人员(即业务人员)对人力资源价值感知的变化：员工体验已经成为核心关注点。
这些都是2019年人力资源部门的工作。为获得分析提高效能，沟通和协作将是员工体验的特点。
51%的人力资源经理计划在未来两年内改变他们的绩效管理，提高他们的经验。
91%的人力资源领导者表示，提高绩效和盈利能力是首要目标，86%的领导者相信，最终用户体验的质量是改变人力资源系统的首要驱动力。
新技术能够从求职者那里获取反馈，以减少偏见，人力资源解决方案也更多地嵌入到沟通和协作平台中，这些平台能够识别领导者与团队沟通的时间和方式。
在反馈分析、机器学习和工作流程管理的支持下，这可能会导致人力资源和员工的行为发生变化。这也意味着投资者对他的人力资源技术类别的关注将会增加。
为什么SAP以80亿美元的价格收购了Qualtrics ?“因为它是关于体验的”——Josh Bersin
领导者起立
人力资源在2018年经历了漫长的发展，终于觉醒了。当这些7大趋势冲击到你的组织，并与最终用户(保证准确的数据)合作时，HR将坚定地面对未来的挑战。
尽管如此，随着人力资源技术将在2019年进入市场，人力资源思维也在以同样的速度发生变化。意识到在流程和经验方面进行结构性变革需要一个全面的战略，人力资源部门最好不要依赖运气。
事实上，人力资源并不需要运气——它需要的是能够带领公司走向前人未曾涉足的领域的领导者。
以上为AI翻译，内容仅供参考。
原文链接：How your HR can get lucky in 2019
深度学习
德勤：42％的高管认为人工智能将在2年内变得“至关重要”
文/KYLE WIGGERS
企业正在加大对人工智能(AI)技术的投资。这是德勤在《企业报告》(Enterprise report)中对1100多家美国公司的IT和高管进行的调查中得出的最大结论。
德勤技术、媒体和电信中心的执行董事杰夫·劳克斯博士说:“企业对人工智能提高业绩和竞争力的潜力感到兴奋，这是有充分理由的。”但要实现这一潜力，企业必须承担风险，解决人才短缺问题，并做好执行工作。尽管人工智能的优势是显著的，但仓促行事可能会让公司陷入无路可逃的境地——应用人员无法扩大规模，或者项目没有商业利益。
采用增长
该报告将人工智能的采用分为四类:机器学习，即统计模型开发能力和随着时间的推移自主提高性能的能力;深度学习是一种涉及神经网络的机器学习方式;自然语言处理，从文本中解析意义的能力;计算机视觉，从视觉元素中提取意图的技术。
调查显示，自然语言处理在增长方面超过了所有其他类别，62%的公司称已经采用了自然语言处理(高于一年前的53%)。机器学习以58%(同比增长5%)位居第二，计算机视觉和深度学习紧随其后，分别以57%和50%的使用率紧随其后(较2017年增长16%)。
德勤认为，投资的增加与增长有关。约37%的高管表示，他们的公司已经拨出500万美元或更多用于“认知”技术，比如深度学习和机器学习，包括带有人工智能的企业软件。55%的人说他们已经发射了6个或更多的试飞员(去年这个比例是35%)，58%的人说他们已经完成了6个或更多的试飞员(上升了32%)。
这种热情——加上高管们“追赶竞争对手”的强烈愿望——正推动ai即服务解决方案的全球年增长率达到48.2%。(德勤(Deloitte)将全球认知技术市场的规模定为191亿美元。)它有一些紧迫性;42%的受访高管认为，在未来两年内，采用人工智能将具有“至关重要的战略意义”，有些人已经开始看到成效。
超过80%的人说他们的人工智能投资带来了经济回报，特别是在技术、专业服务、媒体和娱乐/电信行业。德勤(Deloitte)以Netflix为例:这家流媒体巨头发现，如果客户搜索一部电影90秒，他们就会放弃。但通过使用人工智能来改善搜索结果，谷歌能够节省约10亿美元的潜在损失。
其他成本节省可能来自裁员。大多数受访者(63%)预计人工智能将使目前由人类工作人员监管的任务自动化。也就是说，78%的人认为认知技术能让人们做出更好的决定，72%的人和78%的人认为认知技术能提高工作满意度，并“为新的工作方式提供动力”。
这些发现与以前的报告一致。
世界经济论坛(World Economic Forum)、普华永道(PricewaterhouseCoopers)和高德纳(Gartner)预测，到2025年，人工智能可能会裁员多达7500万人。
此外，麦肯锡全球研究所(McKinsey Global Institute)今年预测，需要“低数字技能”的工作比例可能从目前的40%降至2030年的30%，因为需要更高技能的工作比例可能从40%升至50%。
麦肯锡分析师称，这些和其他劳动力市场的变化将导致未来10年国内生产总值(GDP)增长1.2%，并有助于在未来12年获得额外的20- 25%的净经济效益(相当于全球13万亿美元)。
人工智能的担忧
尽管人工智能的应用速度在加快，投资回报也令人印象深刻，但在回应调查时，高管们对人工智能表达了保留意见。
超过20%的人将“网络安全漏洞”列为一个关键问题，43%的人将“基于人工智能/认知建议做出错误的战略决策”列为前三名。与此同时，约39%的人将人工智能在关键任务或生死关头的失败列为他们的担忧之一。
人工智能的法律、监管和道德问题仍然是企业界的绊脚石。十分之一的受访者表示，他们对与人工智能系统相关的法律和监管风险感到高度焦虑，三分之一的高管提到了道德风险——尤其是人工智能制造或传播虚假信息的能力。
德勤表示，这些担忧在一定程度上是由于某些系统固有的不透明性。
“人工智能采用者面临的一个挑战是，机器学习的复杂性越来越高，深度学习神经网络也越来越受欢迎，这种神经网络的行为就像黑匣子一样，常常产生高度精确的结果，却没有解释这些结果是如何计算出来的，”报告作者写道。
认知技术人才——或者说是缺乏——也是一个问题。约30%的高管表示，在他们各自的组织中，人工智能是一个主要问题，超过20%的高管集体表示，他们发现人工智能软件开发人员、数据科学家、用户体验设计师、变更管理专家、项目经理、商业领袖和主题专家都存在不足。
最需要的人才是人工智能研究人员发明新的算法和系统。
该报告的作者写道:“雇佣和培训高能力人工智能专家的需求持续存在。”“拥有这种对人工智能/认知技术的承诺的公司，很可能在很长一段时间内都将面临技能缺口。”
尽管人们对人工智能有着明显的热情，但高管们对所涉及的挑战却持现实态度。约56%的受访者表示，认知技术将在三年内改变他们的公司，低于去年76%的比例。
尽管如此，高管们对人工智能工具的总体反应“相当乐观”。
报告作者写道:“我们相信，高管们已经认识到，使用认知技术来推动业务领域的变革是很复杂的，同时他们也不希望实现这一目标。”“尽管它们面临挑战，但我们调查的许多公司在将人工智能整合到运营和客户关系中并取得早期成功，并获得了经济效益。”他们对自己迄今取得的成功充满热情，对这些技术在不久的将来改造公司的潜力充满热情。
原文链接：Deloitte: 42% of executives believe AI will be of ‘critical importance’ within 2 years
深度学习
通过深度学习帮助企业理解客户反馈，Chattermill获60万英镑种子轮融资
伦敦创企Chattermill能通过深度学习帮助企业更好地理解客户的反馈。今日这家公司获得了60万英镑的种子轮融资。投资方包括Entrepreneur First、Avonmore Developments以及Seedrs的首席执行官Jeff Kelisky等天使投资人。
Chattermill由Mikhail Dubov和Dmitry Isupov成立于2015年，它能跨多个渠道筛选和回复客户的反馈。随着数据量越来越大，这家公司也开始采用深度学习来完成这些工作，这样做更快也更精准。
“我们能帮助企业理解和改善客户体验，能给他们提供见解，让他们更好地创造产品和服务。一流的客户体验能带来更多忠诚的客户，并能第一时间轻松获取客户。客户反馈就是了解客户体验的最好数据，企业往往拥有很多客户反馈，却缺少工具去梳理它们。”首席执行官Dubov说道。
他表示，公司的解决方案结合了最新的深度学习技术，能帮助每一家公司分析客户反馈。“除了数据分析界面，我们还能自动发出提醒，让企业能根据这些见解采取行动。”他说道。
Chattermill会将所有的反馈进行核对，并“建立一个专门的深度学习模型，以提取具有操作性的见解”。它能检测各个环节的客户情绪（包括应用设计、配送速度等）。
除了从Net Promoter的调查、评论、投票以及社交媒体中获得反馈，Chattermill还集成了很多标准工具用以寻求和监控客户的反馈以及感受，这些工具包括SurveyMonkey、Zendesk、TypeForm和Salesforce等。
【猎云网（微信号：ilieyun）】12月8日报道 （编译：叶展盛）
深度学习
傅盛：深度学习是什么？
文章作者：傅盛 来源于傅盛微信公众号：盛盛GO（fstalk）。
人工智能，就好像第四次工业革命，正从学术界的私藏，转变为一种能够改变世界的力量。尤其，以深度学习取得的进步为显著标志。
它让匍匐前进60年的人工智能一鸣惊人。
我们正降落到一片新大陆。深度学习带来的这场重大技术革命，有可能颠覆过去20年互联网对技术的认知，实现技术体验的跨越式发展。
那么，深度学习到底是什么？怎么理解它的重要性？
我们先从概念和现象入手。
我总结了一句话，学术上看未必严谨，但从我的理解角度看——深度学习是基于多层神经网络的，海量数据为输入的，规则自学习方法。
这里包含了几个关键词：
第一个关键词叫多层神经网络。
深度学习所基于的多层神经网络并非新鲜事物，甚至在80年代被认为没前途。但近年来，科学家们对多层神经网络的不断算法优化，使它出现了突破性的进展。
以往很多算法是线性的。而这世界上大多数事情的特征是复杂非线性的。比如猫的图像中，就包含了颜色、形态、五官、光线等各种信息。深度学习的关键就是通过多层非线性映射将这些因素成功分开。
那为什么要深呢？多层神经网络比浅层的好处在哪儿呢？
简单说，就是可以减少参数。因为它重复利用中间层的计算单元。我们还是以认猫为例好了。它可以学习猫的分层特征：最底层从原始像素开始学习，刻画局部的边缘和纹；中层把各种边缘进行组合，描述不同类型的猫的器官；最高层描述的是整个猫的全局特征。
它需要超强的计算能力，同时还不断有海量数据的输入。特别是在信息表示和特征设计方面，过去大量依赖人工，严重影响有效性和通用性。深度学习则彻底颠覆了“人造特征”的范式，开启了数据驱动的“表示学习”范式——由数据自提取特征，计算机自己发现规则，进行自学习。
你可以理解为——过去，人们对经验的利用，靠人类自己完成。在深度学习呢？经验，以数据形式存在。因此，深度学习，就是关于在计算机上从数据中产生模型的算法，即深度学习算法。
问题来了，几年前讲大数据，以及各种算法，与深度学习有什么区别呢？
过去的算法模式，数学上叫线性，x和y的关系是对应的，它是一种函数体现的映射。但这种算法在海量数据面前遇到了瓶颈。国际上著名的ImageNet图像分类大赛，用传统算法，识别错误率一直降不下去，上深度学习后，错误率大幅降低。在2010年，获胜的系统只能正确标记72%的图片；到2012年，多伦多大学的 Geoff Hinton利用深度学习的新技术，带领团队实现了85%的准确率。2015年的ImageNet竞赛上，一个深度学习系统以96%的准确率第一次超过了人类（人类平均有95%的准确率）。
计算机认图的能力，已经超过了人。尤其图像和语音等复杂应用，深度学习技术取得了优越的性能。为什么呢？其实就是思路的革新。
举几个脑洞大开的例子。
（1）
先说计算机认猫。
我们通常能用很多属性描述一个事物。其中有些属性可能很关键，很有用，另一些属性可能没什么用。我们就将属性被称为特征。特征辨识，就是一个数据处理的过程。
传统算法认猫，也是标注各种特征去认。就是大眼睛，有胡子，有花纹。但这种特征写着写着，有的猫和老虎就分不出来，狗和猫也分不出来。这种方法叫——人制定规则，机器学习这种规则。
深度学习方法怎么办呢？直接给你百万张图片，说这里有猫，再给你上百万张图，说这里没猫。然后再训练一个深度网络，通过深度学习自己去学猫的特征，计算机就知道了，谁是猫。
（2）
第二个例子是谷歌训练机械手抓取。
传统方法肯定是看到那里有个机械手，就写好函数，move到xyz标注的空间点，利用程序实现一次抓取。
而谷歌现在用机器人训练一个深度神经网络，帮助机器人根据摄像头输入和电机命令，预测抓取的结果。简单说，就是训练机器人的手眼协调。机器人会观测自己的机械臂，实时纠正抓取运动。
所有行为都从学习中自然浮现，而不是依靠传统的系统程序。
为了加快学习进程，谷歌用了14个机械手同时工作，在将近3000小时的训练，相当于80万次抓取尝试后，开始看到智能反应行为的出现。据公开资料，没有训练的机械手，前30次抓取失败率为34%，而训练后，失败率降低到18%。
这就是一个自我学习的过程。
（3）
有人问了，深度学习，能学习写文章吗？
来看这个例子。斯坦福大学的计算机博士andrej kapathy曾用托尔斯泰的小说《战争与和平》来训练神经网络。每训练100个回合，就叫它写文章。100个回合后，机器知道要空格，但仍然有乱码。500个回合后，能正确拼写一些短单词。1200个回合后，有标点符号和长单词。2000个回合后，已经可以正确拼写更复杂的语句。
整个演化过程是个什么情况呢？
以前我们写文章，只要告诉主谓宾。而以上过程，完全没人告诉机器语法规则。甚至，连标点和字母区别都不用告诉它。不告诉机器任何程序。只是不停将原始数据进行训练，一层一层训练，最后输出结果——就是一个个看得懂的语句。
一切看起来都很有趣。人工智能与深度学习的美妙之处，也正在于此。
（4）
我还去硅谷看过一家公司——完全颠覆以往的算法，利用深度学习实现图像深度信息的采集。
众所周知，市面上已经有无人机，可实现人的跟踪。它的方法是什么呢？一个人，在图像系统里，一堆色块的组合。通过人工的方式进行特征选择，比如颜色特征，梯度特征。拿简单的颜色特征举例：比如你穿着绿色衣服，突然走进草丛，就可能跟丢。或，他脱了件衣服，几个人很相近，也容易跟丢。
此时，若想在这个基础上继续优化，将颜色特征进行某些调整，是非常困难的。而且调整后，还会存在对过去某些状况不适用的问题。
总之，这样的算法需要不停迭代，迭代又会影响前面的效果。
而硅谷这个团队，利用深度学习，把所有人脑袋做出来，只区分好前景和背景。区分之后，背景全部用数学方式随意填充，再不断生产大量背景数据，进行自学习。只要把前景学习出来就行。
据我所知，很多传统方法，还在采用双目视觉。用计算机去做局部匹配，再根据双目测出的两个匹配的差距，去推算空间另一个点和它的三角位置，从而判断离你多远。
可想而知，深度学习的出现，使得很多公司辛苦积累的软件算法直接作废了。
“算法为核心竞争力”，正在转变为，“数据为核心竞争力”。
技术人员必须进入新的起跑线。
（5）
最后再举个例子。
大家都做过胃镜。尤其胃痛，很痛苦。肠胃镜要分开做，而且小肠看不见。
有一家公司出了一种胶囊摄像头。吃进去后，在你的消化道，每5秒拍一幅图，连续摄像，此后再排出胶囊。所有关于肠道胃部的问题，全部完整记录。但医生光把那个图看完，就需要五个小时。原本的机器主动检测漏检率高，要医生复查。
后来，他们采用深度学习。采集8000多例图片数据灌进去，用机器不断学，不仅提高诊断精确率，减少了医生的漏诊，以及对稀缺好医生的经验依赖。只需要靠机器自己去学习规则。
深度学习算法，可以帮助医生作出决策。
深度学习
Salesforce收购深度学习创业公司 MetaMind
移动 CRM 上市公司 Salesforce 宣布收购了深度学习创业公司 MetaMind，MetaMind 将会在 5 月 4 日之后停止服务，不过双方没有透露太多的交易信息。
MetaMind 联合创始人和 CEO Richard Socher 在一篇文章中说 Salesforce 计划将 MetaMind 的技术迁移到 Salesforce 的服务当中。MetaMind 在 5 月 4 日开始停止向免费版用户提供服务，对付费用户的服务延期到 6 月 4日，并且将会彻底删除全部数据。
现在大公司都在深度学习这个领域进行大规模研究，包括 Facebook、Google、微软和 Twitter，Salesforce 在上个月已经受够了机器学习上市公司 PredictionIO，在去年收购并关闭了日历应用 Tempo AI。同时，Salesforce 已经建立起一家数据科技团队。
MetaMind 在 2014 年创立，与 Salesforce 的关系密切，MetaMind 副总裁 Ruslan Belkin 是 Salesforce 的前副总裁，MetaMind 也曾获得了来自 Salesforce CEO Marc Benioff 和 Khosla Venture 的 800 万美元风险投资。这家公司的目的是想让人们在使用深度学习的时候变得容易一些。
MetaMind 的业务主要有两个部分，自然语言处理和图像分析，用户可以通过 MetaMind 开放的深度学习的工具、软件或者在线服务进行研究。比如当年输入一个 Twitter 用户的用户名，MetaMind 可以分析出该用户的情绪等以及在线识图。
深度学习
Facebook宣布开源深度学习人工智能工具
[摘要]Facebook的人工智能研究团队今天宣布，将开源其深度学习人工智能工具。
Facebook的人工智能研究团队今天宣布，将开源其深度学习人工智能工具。
Facebook将通过Torch库发布这一软件。Torch是一个协助机器学习技术开发的开源环境，被学术界，以及谷歌、Twitter和英特尔等公司在研究中广泛使用。
Facebook表示，相对于Torch中的默认软件，其深度学习模块的执行速度要更快。这将帮助研究人员在更短的时间内开发规模更大的神经网络。
Facebook希望，分享这一工具将推动整个深度学习研究领域的发展。（李玮）
Facebook open-sources its deep-learning AI tools
Facebook is sharing some of its technology. The company’s artificial intelligence research team today announced that it is open sourcing its deep-learning AI tools.
The software will be available on the Torch library, which serves as an open-source environment for machine learning development. Torch is widely used for research in academia, as well as by companies like Google, Twitter and Intel.
Facebook claims its deep-learning modules are significantly quicker than the default ones available through Torch, and allow the company to work on larger neural networks in less time.
Notable improvements include a 23.5x speed-up over publicly available convolutional layer codes, and the ability to parallelize neural networks training over GPU cards.
The company hopes sharing its tools will help optimize progress across the entire deep-learning research landscape.
来源：TNW
扫一扫 加微信
hrtechchina
深度学习
深度学习
深度学习
深度学习
深度学习
深度学习
扫一扫 加微信
hrtechchina
