提起Jeremy Howard，人工智能和大數(shù)據(jù)領(lǐng)域的從業(yè)者們可謂無人不知無人不曉。

他是Enlitic、FastMail、Optimal Decisions Group三家科技公司的創(chuàng)始人兼CEO，是大數(shù)據(jù)競賽平臺Kaggle的前主席和首席科學家，是美國奇點大學（Singularity University）最年輕的教職工，是在2014達沃斯論壇上發(fā)表主題演講的全球青年領(lǐng)袖，他在 TED 上的演講《The wonderful and terrifying implications of computers that can learn》收獲了近200萬的點擊…

顯然，他是一個閑不住的人。為了讓深度學習技術(shù)被更多的人理解和使用，Jeremy Howard近期又創(chuàng)立了一個名為 fast.ai 的技術(shù)分享平臺。該平臺不但免費提供關(guān)于深度學習技術(shù)的系列視頻教程（例如由Jeremy Howard本人講授的“Practical Deep Learning For Coders”），同時也可以直接幫助從業(yè)者和用戶開發(fā)簡單快捷的軟件產(chǎn)品。近日，Jeremy Howard在采訪中就 fast.ai、深度學習、Kaggle 和大數(shù)據(jù)等話題發(fā)表了自己的看法，以下為采訪原文，由雷鋒網(wǎng)編譯。

問題1：能否為大家介紹一下您最近創(chuàng)立的fast.ai平臺及其未來規(guī)劃？還有就是“Practical Deep Learning For Coders”系列教程和一般的深度學習教程究竟有何不同？

網(wǎng)上有許多深度學習的課程，但我認為其中沒有一個能滿足我們目前最重要的需求。我們想向人們展示如何選擇和使用最有效的深度學習技術(shù)來解決他們的特定問題。我們想讓課程盡可能地容易接受，深入淺出，而不是把簡單問題復(fù)雜化。

此前的教學方式要么需要深厚的數(shù)學積累（如牛津的課程），要么就跳過了基礎(chǔ)性的講解，試圖直接用深度學習技術(shù)來解決高階的問題（如Udacity的課程），這兩種類型的教程顯然都不是最好的。

從團隊成員自身的科研經(jīng)歷中我們發(fā)現(xiàn)，雖然深度學習技術(shù)的確可以提供許多高水平的運算結(jié)果，但獲得這些結(jié)果的過程其實是需要大量的細節(jié)處理的。通常情況下，處理這些細節(jié)問題的關(guān)鍵點并不會出現(xiàn)在相關(guān)的論文、書籍或者在線教程中，而是直接在從業(yè)人員之間通過口頭交流和討論的方式分享。同時我們還發(fā)現(xiàn)了一些這種討論的局限性，例如很少見到從業(yè)者們討論諸如：“如何在最合理的時間內(nèi)訓練模型”、“如何最合理地規(guī)劃科研經(jīng)費的使用”，這類非?，F(xiàn)實的問題。

實際上，通過一些科研經(jīng)歷和項目，我們發(fā)現(xiàn)目前最需要教授的內(nèi)容其實是遷移學習。即如何基于已經(jīng)在大數(shù)據(jù)集上訓練完成的現(xiàn)有模型，找到一個最有利的分析起始點。如何利用遷移學習提高訓練的效率，提供更精準的模型，以及減少數(shù)據(jù)的使用量。

我們的思路是：教授實用的東西。在fast.ai的平臺上，我們將通過系列課程為大家分享那些我們在工程實踐中真正使用過，并證明有效的東西，而不僅僅是那些理論上的定義和公式。據(jù)許多開發(fā)者反映，通過學習fast.ai提供的深度學習慕課，他們已經(jīng)大大提高了模型的準確性和訓練效率，這似乎能證明我們的思路是正確的。

問題2：在fast.ai之前，2014年您還創(chuàng)辦過一家名為Enlitic的科技公司，主要的研究方向是利用深度學習的技術(shù)幫助放射科的醫(yī)生更快更準確地進行醫(yī)學診斷。我想問一下這方面Enlitic取得了怎樣的成績？和受過專業(yè)訓練的放射科醫(yī)生相比，Enlitic的技術(shù)究竟表現(xiàn)如何？

我并不知道最近的情況，因為已經(jīng)好幾個月沒去過Enlitic了。但通過此前在Enlitic的研發(fā)經(jīng)歷，我認為深度學習技術(shù)在未來醫(yī)療領(lǐng)域的發(fā)展?jié)摿κ呛艽蟮?。而且最重要的是，這方面的研究可以挽救病人的生命，降低發(fā)展中國家的醫(yī)療成本，這需要我們投入巨大的努力。

雷鋒網(wǎng)注：據(jù)悉尼先驅(qū)晨報的報道，Enlitic憑借深度學習技術(shù)超越了4位頂級的放射科醫(yī)生，包括診斷出了人類醫(yī)生無法診斷出的7%的癌癥，以及在人類醫(yī)生高達66%的癌癥誤診率的情況下，Enlitic的誤診率只有47%。

問題3：將Enlitic和其他一些類似的自動化診斷技術(shù)應(yīng)用在醫(yī)療保健領(lǐng)域的具體障礙都有哪些？

最大的障礙之一是缺乏完整的數(shù)據(jù)集，即大量病人在一段時間內(nèi)進行各種醫(yī)學測試、醫(yī)學干預(yù)，以及醫(yī)療效果的綜合性的數(shù)據(jù)集。只有基于這樣的大規(guī)模的完整的數(shù)據(jù)集，我們才可以建立精準的深度學習模型，提供基于實際醫(yī)療效果的診斷和治療建議，而不是簡單的初級的診斷猜測。

另一個障礙是缺乏在這一領(lǐng)域工作的數(shù)據(jù)科學家。讓我感到驚訝的是，目前有大量的杰出科學家投身于相對影響力較低的領(lǐng)域，比如廣告技術(shù)、產(chǎn)品建議和社交網(wǎng)絡(luò)。同時，目前有大量的深度學習研究人員都聚焦于如何“構(gòu)建大腦”，而不是利用技術(shù)解決當前人類面對的實際問題。

另一個出人意料的障礙是，醫(yī)學領(lǐng)域太細分太專業(yè)了，這造成我們的科研成果或許能適用于某一科室，但卻很難在更一般的醫(yī)療問題上提供有效的建議。因此，傳統(tǒng)醫(yī)學的細分和專業(yè)化也是障礙之一。

問題4：作為前冠軍選手和專家，您在Kaggle的最大收獲是什么？另外，對于Kaggle的參賽選手您有哪些想說的？

我在比賽中的經(jīng)歷就是最大的收獲，實際上，我在比賽過程中學到的那些機器學習的相關(guān)知識加起來比此前20年學到的都多。而且，在過去的幾個月中，為了準備fast.ai的相關(guān)課程，我又深入研究了幾個Kaggle的數(shù)據(jù)集，在這個過程中我也收獲了很多快樂。此外，在Kaggle的比賽中看到一些團隊憑借深度學習領(lǐng)域的最新研究成果獲得好成績，也是一件令人快慰的事。

對于那些希望在Kaggle比賽中提高排名的參賽者，和其他一些希望提高他們專業(yè)技能的機器學習從業(yè)者，我的建議很簡單：每天向競賽組委會提交作品。

在理想情況下，請每天至少花費30分鐘在你要提交的作品上，值得強調(diào)的是：即使只花5分鐘時間調(diào)整一些參數(shù)，也比什么也不做要好。因為如果你堅持每天都提交作品，每天都在思考和實踐，那么在比賽結(jié)束時一定比其他人收獲更多，另外，及時將收獲以博客的形式分享出來也是一個值得提倡的好習慣。因為在實際的工作環(huán)境中，其實很少有機會處理這些嚴格定義的數(shù)據(jù)集，當然，跟世界頂級的數(shù)據(jù)科學家們一起做基準測試的機會也就更少了。

問題5：隨著數(shù)據(jù)科學不斷向著自動化分析的方向發(fā)展，您認為在未來5年中，數(shù)據(jù)科學家們應(yīng)該關(guān)注哪些技能，才不至于被某種高級算法替代？

實際上，我希望在未來幾年中，數(shù)據(jù)科學家的作用將越來越小，同時看到數(shù)據(jù)科學被納入其他更多的職業(yè)之中，例如醫(yī)療專家、律師和物流經(jīng)理等。因此，我認為數(shù)據(jù)科學家們應(yīng)該了解一個行業(yè)是如何創(chuàng)造價值的，不同的行業(yè)是如何協(xié)同工作的，以及一個行業(yè)的內(nèi)部組織架構(gòu)師怎樣的。最重要的是，數(shù)據(jù)科學家們應(yīng)該找到某種方法來嚴格測試自己在相關(guān)領(lǐng)域的工作影響力，并與這一領(lǐng)域的專家合作，通過各種手段來增加自己的影響力。

其實，我也無法確定當前的哪些核心技術(shù)在5年后依然重要，但我認為，最關(guān)鍵的能力其實在于如何適應(yīng)和學習。

問題6：您覺得深度學習技術(shù)在未來5年能達到怎樣的高度？深度學習會在每個領(lǐng)域都超越人類么？還是在某些領(lǐng)域人類將永遠保持領(lǐng)先？

我認為目前還很難找到深度學習的極限，我們也不知道深度學習需要多長時間才能超越人類。但從目前的發(fā)展來看，每次我看到有人試圖用深度學習技術(shù)來改善他們面對的特定問題時，似乎都能獲得成功。例如，有一位醫(yī)學博士候選人告訴我，通過在項目中應(yīng)用5個小時深度學習技術(shù)取得的科研成果，已經(jīng)大大超過了他此前5年的研究成果！

在藝術(shù)和創(chuàng)造性的領(lǐng)域，人類將永遠保持領(lǐng)先，因為人類更專注于觀察他人的表現(xiàn)。

問題7：您是奇點大學（Singularity University）最年輕的教職工，請問您在那里的具體崗位是什么？還有，您對所謂的人工智能發(fā)展的奇點（singularity）怎么看？

其實，我不認為我現(xiàn)在是年齡最小的了。我在奇點大學教授數(shù)據(jù)科學相關(guān)的課程。每年我最重要的工作之一就是在“全球解決方案計劃”（Global Solutions Program）中教書。80位全球最聰明和最富有熱情的科學家們每年都會聚在一起，探討如何解決人類目前面對的最迫切的問題，我很幸運的有機會指導他們?nèi)绾螌?shù)據(jù)科學的技術(shù)融入其中。

其實奇點大學不是一所傳統(tǒng)意義上的大學，更與所謂的人工智能的奇點無關(guān)。實際上，我并不知道是否會有技術(shù)發(fā)展上的奇點，也不知道什么人可以聲稱他們看到了奇點的發(fā)生。

問題8：如果可以的話，您能否就離開Kaggle和Enlitic這一問題發(fā)表一些看法？

離開Kaggle并非一個艱難的決定，因為我從來都沒打算真正入職Kaggle，而只是想做一名志愿者去幫忙。但令人意想不到的是Kaggle后來融到了很多錢，因此我只好以全職員工的身份加入。后來，Kaggle決定將100%的精力集中在石油天然氣的數(shù)據(jù)分析業(yè)務(wù)上，我并不認同他們的做法，因此就離開了。由于我此前主要的研究方向是如何利用深度學習技術(shù)解決一些實際的社會問題，所以后來就進入了醫(yī)療信息領(lǐng)域。

離開Enlitic則要艱難的多。最初是由于家人健康的原因，我離開了Enlitic一年。一年后當我重返公司時，我發(fā)現(xiàn)這時的Enlitic已經(jīng)不是我當前創(chuàng)立的樣子了，Enlitic變成了一家營業(yè)額高于科技研發(fā)的公司。其實在創(chuàng)辦Enlitic之前，我就曾思考過一個問題：改變醫(yī)療行業(yè)的最佳途徑到底是什么？是通過進入學術(shù)界進行前沿的學術(shù)研究，還是創(chuàng)辦一家成功的醫(yī)療科技公司？我當時的思考結(jié)果是創(chuàng)辦公司。但從Enlitic的經(jīng)歷我認識到，面對需要消耗大量經(jīng)費和基礎(chǔ)性研究的領(lǐng)域，創(chuàng)辦以外部融資為主要生存手段的創(chuàng)業(yè)公司并非一個明智的選擇。因為來自投資者和公司員工的壓力太大，他們都迫切地希望公司的股價一路高漲。

話雖如此，但我仍然不確定進入學術(shù)界是否是一個更好的選擇，但我仍覺得值得一試。這也是為什么我和好朋友Rachel Thomas一起創(chuàng)辦了不靠外部融資生存的學術(shù)分享平臺fast.ai。

問題9：您業(yè)余時間都喜歡做什么？有推薦的書目么？

我最喜歡業(yè)余時間和女兒一起玩，喜歡她對所有事物都充滿了好奇和興趣。閱讀方面，我花了非常多的時間來閱讀深度學習相關(guān)的論文和參考文獻，因此沒有時間閱讀其他的東西，而且除了深度學習，我也很難找到其他什么東西能引起我的閱讀興趣。話雖如此，我有時候也會在晚上聽一些輕松的有聲讀物，最近在聽PG Wodehouse。

來源：kdnuggets，雷鋒網(wǎng)編譯

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。