理论教育 未来教育技术:机器学习与应用

未来教育技术:机器学习与应用

时间:2023-11-16 理论教育 版权反馈
【摘要】:让我们先分析人工智能机器学习的能力。就机器学习而言,当机器能够自动完成特定作业或流程中的机器学习任务时,写的机器学习任务就可能变得更有价值。目前机器学习算法已经可以将计算机系统训练得更精确有力,部分烦琐的手工编码正在被更多的机器学习算法所取代,它们用适当的训练数据来学习,自动化程度更高,这种转变的重要性是双重的。

未来教育技术:机器学习与应用

人工智能化即将到来的时候,我们应该要实事求是地承认一个现实,那就是我们离全面的人工智能时代还很远,目前国家仍然关注工业智能化大规模的实施,而并非教育界。另外,教育是一个人类成长、认识的重要工程,是直接体现人类智慧和智慧传递的工程,是授予计算机智能的智慧来源,是具有创造性思想的承载,是反映人类文明顶级的工程。人工智能永远不可能超越教育智慧,也不可能解决教育界可以完成的全部任务,但是人工智能可以与人类教育共进共融,辅助人类文明发展。如何挖掘人工智能的能力去解决教育问题?让我们先分析人工智能机器学习的能力。

人工智能主要由算法、算力、大数据三部分构成,对于人工智能而言算法是大脑,算力是肌体,大数据是其成长的养分。围棋是最复杂,而且最能体现人类智能的一流游戏,阿尔法狗是DeepMind开发的围棋人工智能,可以将其看成是最新深度学习方法(算法)、最新超算体系(算力)和棋谱大数据的总合,在战胜韩国围棋九段高手李世石的阿尔法狗人工智能体系中,深度学习能够发挥巨大威力的前提是有大量的数据用来训练深度结构。深度学习涉及了上亿的参数,如果数据不够,容易造成过拟合、性能降低的问题,而要进行大规模的训练就要有超强的计算能力。

深度学习的概念和方法在1998年提出,当时只能解决简单手写体字符识别问题,而现在却可以战胜李世石,其使用的深度学习结构基本没变,主要是用了更强的CPU(中央处理器)和以前没有过的GPU(图形处理器),并且用了千万倍的海量数据。

人工智能只有被应用、解决了人类最需要的问题才是具有价值的,但是开发人工智能是需要大量的人力和财力的,需要一定成熟的技术环境,需要一定的数据环境和内容获取环境。就机器学习而言,当机器能够自动完成特定作业或流程中的机器学习任务时,写的机器学习任务就可能变得更有价值。在其他情况下,机器将增强人的能力、使全新的产品和流程诞生,因此,即使在部分自动化工作岗位上,动力需求的影响也可能是积极或消极的。

在人工智能机器学习发展的今天,对劳动力的需求更有可能落在与机器学习的能力接近的任务上,这些系统做的辅助性任务则有可能相应地增加,每当机器学习系统在某项任务上比人工更具有成本效益时,企业家和管理者就会更多地使用机器来替代人工,达到利润最大化,对经济产生影响,提高生产力,降低价格、劳动力需求,重组行业等[1]。在考虑人工智能经济问题上,工业领域与教育领域的观点不太一样,教育不能过分考虑经济的代价,它是一个高端的工作,不能过度依赖计算机。

识别人脸、骑自行车和理解自然语言是人与生俱来的能力,但是我们却不知道自己是如何做到和学习的,我们不能轻易地将一些工作完整地整理成一套正式的规则。因此,在机器学习出现之前,波兰尼悖论给出了计算机可以通过编程自动完成任务集合。目前机器学习算法已经可以将计算机系统训练得更精确有力,部分烦琐的手工编码正在被更多的机器学习算法所取代,它们用适当的训练数据来学习,自动化程度更高,这种转变的重要性是双重的。(www.daowen.com)

首先,越来越多的应用中可以产生比人类手工编写更精确更好的程序(如人脸识别信用卡欺诈检测等);其次,模式可以大大降低创建和维护新软件的成本,从而减少实验阻碍,探索潜在的计算机任务,促使计算机系统在很少或根本没有人为干预情况下自动实现许多类型的常规工作流程。在过去的6~8年里,其学习研究进展尤其迅速,这很大程度上得益于某些任务的海量训练数据,这些海量数据中蕴含一些非常有价值和值得被注意到的规律。

在教育中我们可以不关心机器如何计算,但是我们要站在发展的角度重新审视和理解教育中的所有数据和相关数据,关心数据,让机器学习算法对我们的目标数据进行处理,我们要在教育需要智能的地方准备数据、创造数据、挖掘数据,为数据的获取和产生创造条件,形成智能所需的数据空间,保证有足够多的训练数据集可用,让通过数据学习的计算机争取比教育工作者技高一筹。

各种改进算法的结合,对机器学习的进展也至关重要,比如深度神经网络(DNN)模型的提出、硬件设备算力的迅速提高。例如,脸书从短语机器翻译模式转换到深度神经网络后,每天翻译次数可以超过40亿次,一个ImageNet包含一万多个标记图像的大型数据集,用于图像识别的DNN把ImageNet上的识别错误率从2010年的30%多降到现在的不到3%,同样2016年7月以来,DNN将语音识别错误率从8.4%降低到4.9%,众所周知,图像和语音识别领域,5%是非常重要的临界值,因为这几乎是人类在识别类似数据时的错误率。

2017年,国内人工智能首次参加高考,为高考增添了科技的色彩,6月7日下午,国家863超脑计划项目研制的AI-MATHS高考机器人参加了2017年高考数学的测试,在切断题库、断网、无人干涉的情况下,其通过综合逻辑推理平台解题,10 min交卷,分数达到了105分。高考机器人的出现预示着被诟病多年的应试教育和高考人才遴选方式真正遇到了重大危机,人工智能在应试教育上具有人类学生望尘莫及的优势。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈