概述
深度学习是基于多层神经网络的机器学习的子集，可以从图像、音频和文本等非结构化数据中学习。
深度学习位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
深度学习“解锁”了人工智能处理原始非结构化数据的能力。在深度学习之前，工程师必须手动“特征工程”数据（例如，手动定义猫耳朵的样子）。深度学习模型通过直接从原始像素或音频波自动学习最相关的特征来消除此步骤。
技术洞察
深度学习中的“深度”指的是层数。现代“前沿模型”通常具有数百层和数十亿个参数。这种深度可以捕获浅层模型根本无法表示的高度非线性、复杂的关系。
掌握深度学习
深度学习是基于多层神经网络的机器学习的子集，可以从图像、音频和文本等非结构化数据中学习。深度学习位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将深度学习视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用深度学习的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
Google Translate 等应用程序中的实时语言翻译。
用于早期疾病检测的医学成像分析。
先进的机器人通过模拟学习抓取物体。
构建具有明确成功标准和人工审核检查点的可重复深度学习工作流程。
实施模式
深度学习的实践
Google Translate 等应用程序中的实时语言翻译。
Google 等应用程序中的实时语言翻译 翻译团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
深度学习的实践
用于早期疾病检测的医学成像分析。
用于早期疾病检测的医学成像分析 团队在预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
深度学习的实践
先进的机器人通过模拟学习抓取物体。
先进的机器人通过模拟学习抓取物体当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
深度学习的实践
构建具有明确成功标准和人工审核检查点的可重复深度学习工作流程。
使用明确的成功标准和人工审核检查点构建可重复的深度学习工作流程当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录深度学习在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录深度学习在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。