什么时候不应该使用机器学习？
|
在网络空间治理中运用社交大数据 当今社会，社交媒体已经成为用户内容获取与危机风险传播的主要渠道。根据艾瑞咨询发布的《2019年中国移动社交行业研究报告》，我国移动社交媒体用户规模预计2020年将达到8.2亿。社交媒体的传播生态越来越呈现出全民化、移动化、社交化的特点，由此在日常情境中产生的社交大数据，为基于多维度、多群体、多因素的大规模数据分析提供了可能，进而为网络内容生态的风险治理提供了有效支持。对这些非结构化数据进行合理利用，有助于及时发现潜藏在网络空间中的风险，并借助技术手段有针对性地采取化解之策。 一方面，社交大数据为打击非法言论、优化网络空间内容生态治理提供了重要的技术支撑。社交媒体常常成为网络谣言、黄暴信息、虚假新闻等滋生与传播的温床，严重危害了网络言论环境。依靠传统的屏蔽、关键词过滤、用户举报等措施，往往收效有限，且易产生反作用。而应用人工智能、语义分析、文本挖掘等技术，对社交平台不良信息进行监测、分类和追踪，可以更大限度发挥社交大数据的治理价值。譬如通过广泛采集社交平台数据，帮助辨明网络谣言的传播路径，从而及时阻断谣言传播，增强辟谣效果。 国外一些机构已经推出许多应用于信息内容治理的技术与产品，例如，海外社交平台推特在2017年已经开始将人工智能技术应用到网络垃圾信息的应对工作中，实现对色情暴力图片的筛选，以及对恐怖主义言论与相关网络组织行为进行监控分析。路透社近年研发的新闻追踪器AI News Tracer，能够追查最终来源，并辨明新闻真实性。我国在加强算法治理技术建设上也取得一定进展，但在甄别社交平台高风险用户和行为方面仍有待进步。
另一方面，社交媒体往往是舆情风险高发地，乃至网络意识形态博弈的关键阵地。社交媒体汇集了用户对与自身密切相关的事件所表达的观点和意见，蕴含着丰富而真实的民情民意。利用社交大数据做好舆情研判，将有助于制定舆论引导策略、化解舆情高危风险。另外，社交机器人的大量使用，也让网络意识形态之争走向风险前沿，抵御自动化的操纵宣传成为维护网络安全的必行任务。牛津大学互联网研究院在一项关于计算宣传的研究中，挖掘了有关中国政治的150万条微博评论以及110万条推特评论，结果发现微博上几乎没有机器人的迹象，而推特上则有大量发表反华言论的机器人被使用。而在今年，清华大学的研究者同样运用大数据挖掘与分析方法，发现了推特上与中国相关的推文中有超过1/5疑似由社交机器人用户发布。这些借助社交大数据才得以发现的潜在风险，为相关部门执行网络治理与对外传播工作敲响了警钟。 集成人工智能 就近期来讲，确保技术安全的主要挑战不是缺乏适用的信息，而是信息过多。当变量太多时，开发二进制规则以代表过去经验的主要局限，就变得更加明显。由于技术进步的发展速度要快于标准的制定，设计师常常被迫预测未来的趋势。这导致他们可能高估或低估了必要的安全功能。 如果制造商扩展其工具集以支持数据处理和决策过程，则可以更有效地处理此信息。特别是，他们可以通过AI 和机器学习算法找到一个受欢迎的解决方案。人工智能系统可以根据可用的案例研究和数据分析推荐新的系统特定准则。 机器学习通过分析大量数据来发现隐藏的相关性，从而发现使用传统的统计工具无法轻易看到的潜在模式和趋势。人们可以从这些相关关系中找到抽象模型，并进行实验以确定模型的运行情况。设计人员和工程师可以依靠智能系统来指导设计，以确保使用优秀方法和满足客户所需的解决方案。 AI 对于消除可能妨碍决策的偏见至关重要。由于记忆是大脑做出决定的重要组成部分，因此专家对过去经验的理解会产生偏见，从而影响他们应对新情况的判断。专家也可能无法意识到关键信息的缺失，或者在决策过程的开始就犯了从终端解决方案入手的错误。机器学习算法减少了偏差，因为它们使用有监督的训练集或无监督的起点，在当前和实际数据中找到有助于解决过程中特定问题的模式。 数据驱动的挑战 将AI 引入工业设备背后的驱动力，是当今制造工厂中大量与安全相关的信息过剩。那里有太多数据，即使是经验丰富的工人，也难以学习和记忆所有数据，更不用说刚踏入制造行业的初级员工。通过让机器自己学习，制造企业可以利用功能强大的降低风险工具。这些工具可以在不断变化的环境中，提供和安全要求相关的短期和长期数据。 如今，安全解决方案中应用的所有内容，都是基于工程师、操作人员和制造商过往的经验。从这个意义上讲，人工智能并没有什么不同。无论是人还是算法，一开始都不了解具体应用情境下的工业安全知识，我们所有人都必须使用过去经验中的点点滴滴来建立联系，并将其应用于新的情况。我们需要了解哪些有效、哪些无效，然后利用这些知识做出未来的决策。AI 的工作方式与此相同。 关键概念：
 （编辑：周口站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
