为机器配备对世界实体及其关系的了解是AI的长期目标
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2020-10-23
创建和管理大型知识库的基本概念和实用方法
在过去的十年中，已经从Web内容和文本源自动构建了大型知识库（也称为知识图），并且已成为搜索引擎的重要资产，可以利用这种机器知识在语义上解释新闻，社交媒体和网络表格中的文本短语，并有助于问题解答，自然语言处理和数据分析，它涵盖了用于发现和规范化实体及其语义类型并将其组织为干净的分类法的模型和方法，重要的是 本文讨论了以实体为中心的属性的自动提取，为了支持机器知识的长期生命周期和质量保证，构建开放式架构和知识管理的方法。
深度学习的进展已导致在计算机视觉和自然语言处理等应用程序中广泛采用人工智能（AI）
随着神经网络变得越来越深，越来越大，AI建模的需求已经超过了传统芯片架构的能力。内存带宽落后于处理能力。能耗占总拥有成本的主导地位，当前内存容量不足以支持的NLP模型。本文提出了一种名为3D AI芯片，该芯片具有近内存计算架构，可以应对这三个挑战，这种分布式的，近内存的计算体系结构使我们能够通过大量的数据带宽拆除性能受限的内存墙。在40nm技术上，其能效水平与在7nm技术上的竞争芯片相同，通过采用与其他AI芯片类似的技术，我们计划实现的能源效率是芯片的十倍以上，性能是当前的芯片的七倍，存储容量是芯片的二十倍，在每个基准测试中。
已经提出了可替代的AI方法
以通过模型显着性解释来解释深层神经网络如何预测输入，模型显着性解释突出显示了被认为对做出特定目标决策至关重要的输入部分。然而，量化其可解释性的正确性仍然具有挑战性，因为当前的评估方法要么需要人类的主观输入，要么由于自动评估而导致高昂的计算成本。本文提出了后门触发模式（导致误分类的隐藏恶意功能），以自动进行对显着性解释的评估。
对话系统（也称为聊天机器人）现在被广泛用于各种应用程序中
但是，它们仍然存在一些主要缺点。一个主要的弱点是它们通常是从手动标记的数据中进行训练和/或使用手工规则编写的，并且它们的知识库（KB）也由人类专家编辑。由于涉及大量的人工工作，因此它们难以扩展，并且由于理解自然语言的能力有限以及知识库中知识的匮乏，往往会产生许多错误，因此，用户满意度通常较低
本文建议通过赋予系统不断学习
（1）新的世界知识，（2）新的语言表达以使它们立足于行为，以及（3）新的会话技巧的能力来显着改善这种情况，因此随着系统与用户的聊天越来越多，他们变得越来越有知识，并且越来越能够理解各种自然语言表达并提高他们的对话技巧，实现这些目标的一种关键方法是利用此类系统的多用户环境，通过动词和非动词方式与用户进行交互来自我学习，本文不仅讨论了在对话过程中向用户学习的主要挑战和有希望的方向，而且还讨论了如何确保所学知识的正确性，实现这些目标的一种关键方法是利用此类系统的多用户环境，通过动词和非动词方式与用户进行交互来自我学习，本文不仅讨论了在对话过程中向用户学习的主要挑战和有希望的方向，而且还讨论了如何确保所学知识的正确性，实现这些目标的一种关键方法是利用此类系统的多用户环境，通过动词和非动词方式与用户进行交互来自我学习，本文不仅讨论了在对话过程中向用户学习的主要挑战和有希望的方向，而且还讨论了如何确保所学知识的正确性。
互联网已经成为我们生活中不可或缺的一部分
在过去的十年中，已经从Web内容和文本源自动构建了大型知识库（也称为知识图），并且已成为搜索引擎的重要资产，可以利用这种机器知识在语义上解释新闻，社交媒体和网络表格中的文本短语，并有助于问题解答，自然语言处理和数据分析，它涵盖了用于发现和规范化实体及其语义类型并将其组织为干净的分类法的模型和方法，重要的是 本文讨论了以实体为中心的属性的自动提取，为了支持机器知识的长期生命周期和质量保证，构建开放式架构和知识管理的方法。
深度学习的进展已导致在计算机视觉和自然语言处理等应用程序中广泛采用人工智能（AI）
随着神经网络变得越来越深，越来越大，AI建模的需求已经超过了传统芯片架构的能力。内存带宽落后于处理能力。能耗占总拥有成本的主导地位，当前内存容量不足以支持的NLP模型。本文提出了一种名为3D AI芯片，该芯片具有近内存计算架构，可以应对这三个挑战，这种分布式的，近内存的计算体系结构使我们能够通过大量的数据带宽拆除性能受限的内存墙。在40nm技术上，其能效水平与在7nm技术上的竞争芯片相同，通过采用与其他AI芯片类似的技术，我们计划实现的能源效率是芯片的十倍以上，性能是当前的芯片的七倍，存储容量是芯片的二十倍，在每个基准测试中。
已经提出了可替代的AI方法
以通过模型显着性解释来解释深层神经网络如何预测输入，模型显着性解释突出显示了被认为对做出特定目标决策至关重要的输入部分。然而，量化其可解释性的正确性仍然具有挑战性，因为当前的评估方法要么需要人类的主观输入，要么由于自动评估而导致高昂的计算成本。本文提出了后门触发模式（导致误分类的隐藏恶意功能），以自动进行对显着性解释的评估。
对话系统（也称为聊天机器人）现在被广泛用于各种应用程序中
但是，它们仍然存在一些主要缺点。一个主要的弱点是它们通常是从手动标记的数据中进行训练和/或使用手工规则编写的，并且它们的知识库（KB）也由人类专家编辑。由于涉及大量的人工工作，因此它们难以扩展，并且由于理解自然语言的能力有限以及知识库中知识的匮乏，往往会产生许多错误，因此，用户满意度通常较低
本文建议通过赋予系统不断学习
（1）新的世界知识，（2）新的语言表达以使它们立足于行为，以及（3）新的会话技巧的能力来显着改善这种情况，因此随着系统与用户的聊天越来越多，他们变得越来越有知识，并且越来越能够理解各种自然语言表达并提高他们的对话技巧，实现这些目标的一种关键方法是利用此类系统的多用户环境，通过动词和非动词方式与用户进行交互来自我学习，本文不仅讨论了在对话过程中向用户学习的主要挑战和有希望的方向，而且还讨论了如何确保所学知识的正确性，实现这些目标的一种关键方法是利用此类系统的多用户环境，通过动词和非动词方式与用户进行交互来自我学习，本文不仅讨论了在对话过程中向用户学习的主要挑战和有希望的方向，而且还讨论了如何确保所学知识的正确性，实现这些目标的一种关键方法是利用此类系统的多用户环境，通过动词和非动词方式与用户进行交互来自我学习，本文不仅讨论了在对话过程中向用户学习的主要挑战和有希望的方向，而且还讨论了如何确保所学知识的正确性。
互联网已经成为我们生活中不可或缺的一部分
但是它也提供了匿名执行网络钓鱼等恶意活动的机会，网络钓鱼者试图通过社会工程或创建模拟网站来欺骗受害者，以窃取个人和组织的帐户ID，用户名，密码等信息，尽管已经提出了许多方法来检测网络钓鱼网站，但是网络钓鱼者已经进化出了逃避这些检测方法的方法。检测这些恶意活动的成功方法之一是机器学习。这是因为大多数网络钓鱼攻击都具有一些可以通过机器学习方法识别的共同特征。本文比较了多种用于预测网络钓鱼网站的机器学习方法的结果。
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
