IT领导者Cognizant将AI推向“爬山”之外

“深度学习既不深入，也不学习，”IT服务巨头Cognizant Technologies的“进化AI”项目副总裁Babak Hodjat说。

Hodjat的批评是对IT服务公司Cognizant Technology Solutions的一次迷人探索的一部分，后者是一家位于新泽西州Teaneck的二十五年历史的公司，去年为一些最大的公司提供了近160亿美元的收入。在世界上。

多年来，这个IT巨头已经谈到了“数字化转型”，这是一个庞大而重要的事情，但也很难让人想到，因为它经常看起来模糊不清。

然后在12月，Cognizant通过从11年前的AI创业公司Sentient Technologies获得某些资产，为这项数字工作提供了全新的基础和精确性。该公司由Hodjat共同创立，一直致力于所谓的“进化计算”，其中许多算法，包括传统的人工神经网络，可以并行测试“适应性”，以选择最佳网络执行任务。

对于Hodjat来说，随着知识产权的获得而来到Cognizant，这项工作远远超出了主流深度学习的优化。深度学习的重点是通过所谓的随机梯度下降，通过称为反向传播的过程来优化神经网络的“参数”或“权重”。

“这一切都只是爬山，”Hodjat在接受ZDNet采访时表示深入学习。几十年来，他正在对该领域提出批评，早在对麻省理工学院科学家Marvin Minsky和Seymour Papert的批评。在这种情况下，“山丘”是反向传播导航的值的几何斜率，以便找到最佳值，即山峰。(术语在这里可能有点滑。在常见的深度学习词汇表中，梯度下降不会向斜坡上升到最佳点，它试图在斜率中找到最低的“能量”点，这通常被称为全局最小。细微差别很重要，但从某种意义上说，这些术语是互补的。)

Hodjat表示，能量函数支持反支撑在很多层面都很昂贵，这与其他人如芯片制造商英特尔公司的迈克戴维斯的评论相呼应。他认为，这与生物学习的效率不符。

相比之下，在人类发展中，“一个人类的孩子在没有看到它的情况下观察和学习某些东西，能量非常低。”

Hodjat在Cognizant的旧金山办事处运营着一个由15人组成的团队。进化创新业务是Cognizant更广泛的“认知数字业务”的一部分，Hodjat向市场副总裁Karthik Krishnamurthy汇报。数字部门由全球Cognizant办事处的数千人组成。

Cognizant的员工总数超过270,000，从某种意义上说，Evolutionary AI组只是一个小小的亮点，但它也是人工智能的矛头：进化计算的创新将广泛地满足数字化运营，Cognizant希望。

不久前的一个下午，Hodjat和克里希纳穆尔蒂和克里希纳穆尔蒂的另一副，布雷特·格林斯坦，谁是AI的头在为数字业务，在什么认识到呼叫俏皮的办公室坐了下来“协作实验室”，在42街工作区在曼哈顿。

合作实验室的设计是更有点像一个启动环境，与客厅类型设置沙发，探索出一条样的工作更熟悉的不是认识到传统的办公室文化和千年的“数字原生”的员工。

虽然Krishnamurthy已经在Cognizant工作了二十年，但Greenstein大约六个月前加入，并且之前是一个终生的IBM。

“就人工智能，数据科学和机器学习的严肃投资而言，我们在过去的五年里一直在这方面，”Krishnamurthy说。“在此之前，Cognizant已经做了很长时间的分析。”

格林斯坦指出，人工智能可以成为广泛辩论的主题，就像Facebook AI大师Yann LeCun和英特尔戴维斯之间的类型一样。但是，对于Cognizant帮助其客户而言，此类辩论并不比探索所有选项重要。“在某些情况下，流程自动化对于客户来说已经足够了，有些情况下需要更加适应和学习。”

输入Hodjat和Sentient。他们的工作的最新例子包含在Hodjat一周前发表的一篇论文中，“用于深度学习的进化神经AutoML”，该文章发布在Bioarxiv预打印服务器上。它与得克萨斯大学计算机科学教授Risto Miikkulainen合着，他是Hodjat的首席技术官。

本文描述了一种名为“CoDeepNEAT”的计算机系统，它通过在每一层中混合不同类型的功能来组装人工神经网络的神经元层，例如卷积神经网络(CNN)的卷积，或者“细胞”。典型的递归神经网络(RNN)。

CoDeepNEAT从这些层随机组成的网络开始，它在典型的机器学习培训中设置了多个彼此竞争的设计。监督程序在Microsoft Azure上并行运行这些多个网络，并根据每个网络在训练后的“验证”阶段的处理方式确定每个网络的相对“适应性”。通过这种方式，可以测试许多代可能的网络，以找到导致最佳神经网络的理想的层组合。

在基准测试中，包括自动评定维基百科评论的“毒性”或对胸部X射线图像进行分类，CoDeepNEAT方法“轻松击败”一些非常成熟的“发现”神经网络方法的表现，例如Google的“ Hodjat表示，AutoML“和微软的”TLC“系统显而易见。

从某种意义上说，CoDeepNEAT是一种AutoML机制。“我们正在与谷歌大脑的团队合作解决这些问题，我们在联合论文上进行讨论，”Hodjat指出。

Hodjat指出，CoDeepNEAT的一个关键要素是，可以同时在多个不同的任务中比较多个网络，而不是在单个任务(如分类器)上训练单个网络的典型深度学习方法。

这很重要，因为多项任务培训不仅揭示了哪些网络做得更好，而且最有效地产生了给定的测试结果。Hodjat指出，搜索数百种，也许是数千种可能的组合是一种独特的进化方法，这可以带来更好的解决方案，而不是通过爬山在单个网络上进行优化。

“进化带来了创造力和遍历搜索空间的概念，它不是随机梯度下降，也不是爬坡，”Hodjat说。虽然存在优化的“适应度函数”，但它不涉及反向传播错误以改善单个网络的权重。相反，CoDeepNEAT平衡“新奇搜索”并利用它所发现的东西。

“假设你去过Palo Alto，”Hodjat提供了一个类比，“你想去芝加哥。你可以在Palo Alto地图上放一个小针，标记你开始的地方。当你移动通过地图，您可以获得这些标记，指导您向前或向后或向左移动的位置。“机器学习中的一个典型例子是AI“代理”试图从二维地图中的一个房间到达另一个房间的问题。在任务的早期阶段，通过强调新颖性来帮助代理人，从而突破了从未有过的方向。

“如果你在实现目标方面取得了很好的进展，那么你可能会淡化新奇，然后如果你陷入局部的最佳状态就会转回去，”Hodjat说。

“随着新知识的出现，你改变了对世界的看法，”他解释道。相比之下，“深度[学习]网络不会以这种方式运作。”

CoDeepNEAT如何平衡新颖性搜索与剥削是Hodjat及其团队已经授予或申请的几项专利的主题，正如他们所说的那样。

所有这些的产品化将使Cognizant走向新的方向，拥有新的能力。Sentient通过名为“LEAF”的产品来到Cognizant，该产品将所有这些技术捆绑到一个生产系统中。

可以用LEAF来帮助公司找出“如何更好地经营我的业务，​​”格林斯坦说。例如，客户会向Cognizant提出预测问题，以改善客户转换，或提高产品质量或降低产品成本。

格林斯坦说：“我们可以进入并影响你的预测率20%到30%。”“我们可以为客户增加这个过程，这是别人无法做到的。”

Cognizant与两家客户进行“迟交谈”，使用该技术，包装消费品公司和保险公司。

“这绝对是高价值，”格林斯坦说。他坚持认为，“我们预计肯定会超过两位数的溢价”，高于Cognizant通常的收费标准。

凭借LEAF背后的主要IT资源，Cognizant可能不仅仅赚钱，它可能会导致人工智能“工业化”的收费，使其更加平易近人，并且只能在主导该领域的大型科技公司之外使用，例如谷歌和Facebook。

最后一个问题，可能不是立即关注Cognizant，是LEAF类型的进化计算是否会导致“人工一般情报”，或AGI，机器学习的圣杯。

Hodjat知道如何创建计算机系统，似乎捕捉到自然理解的某些方面。他最出名的几年前工作最终导致了在Apple的iPhone上运行的Siri助手技术。根据与传奇研究公司SRI International签订的合同，该项目是在他为一家名为Dejima，Inc。的软件制造商工作时完成的。

“我不是AGI的忠实粉丝，”Hodjat说。“这是我们努力的神话，我们甚至不知道它意味着什么，但它是有抱负的。”他说，归根结底，智能是“基于人口的”，它是“一群智慧而独立的思想家，他们正在合作并经常竞争，这些演员的新兴行为就是我们。”人类知识的普遍性，“非常广泛地应用我们的智能”的能力，成为人类在许多任务中学习的许多行为的现象。

但这一切对另一天来说是一个挑战。目前，Hodjat的老板对LEAF如何为实际目的增强Cognizant的工具包感到满意。

“人工智能是一种技术，利用算法来学习和生成比我们传统做法更准确，更具可扩展性的输出，”Krishnamurthy说。“我们可以利用它来真正帮助客户解决问题。”