文章出處：智能媒體：未來變革的5個方向
這條音頻給你說說智能媒體的未來發展方向。
在2016騰訊網媒體高峰論壇上，
香港科技大學計算機科學與工程學系系主任楊強發表了演講。
楊強也在大數據科技公司“第四範式”擔任首席科學家，
他從技術的角度，預測了人工智能和媒體行業的關係，
以及“智能媒體”未來發展的幾個方向。
第一個方向是人工智能來做編輯工作，幫我們提高編輯效率。
像自動寫作、自動摘要這些事情，人工智能已經能實現了，
比如給機器一篇文章，機器自動寫一個摘要，起一個吸引用戶的標題，
或者是把體育比賽的現場解說詞給機器，
讓它把裡面重要的句子摘出來，變成一個很短的新聞稿。
但這麼做，還是沒辦法生產出來我們想要的高質量的摘要。
楊強說，我們可以在這個基礎上加上一層“增強學習”，讓機器在做摘要的時候更有目的性。
比如，讓機器去讀《射雕英雄傳》、《笑傲江湖》兩本小說，
然後把閱讀到的東西遷移到一起，像洪七公和令狐衝這樣不在同一本書裡的人物，
可以互相進行打鬥，而且讀起來很通順，最後形成一本新的小說。
第二個方向是“信源捕獲”。
意思是說，我們可以在一個新的領域，
用新的手段獲得一些信號，並且把這些信號變成我們要的新聞內容。
比如，過去做採訪，需要研究採訪對象，需要看這個人寫的文章，然後提出一些問題。
今天我們可以用深度學習來做到這一點，
讓機器去理解這些文章，然後自動生成高質量的問題。
在“信源捕獲”這方面，還有一點就是信源可視化的追踪。
在我們的社會網絡裡，有很多信息的傳播、新聞的傳播，
通過可視化，我們能觀察到傳播的路徑、地點以及傳播方式。
這也就意味著，同樣一個新聞內容，我們可以對不同的人進行不同的服務。
比如說小朋友得到的內容，和成年人得到的內容，形式可以完全不一樣。
這樣可以實現自動化的個性投放。
第三個方向是視頻和資訊的一種互動。
今天很多媒體都開始進入視頻領域，視頻和資訊互動是說，
能不能實現文本和視頻之間的轉換，讓機器能看懂視頻，
然後用文字的形式告訴我們，給我們形成一個文字摘要。
第四個方向是資訊的智能分發，也就是怎麼把一個新聞分發給想看這個新聞的用戶。
在過去，這個叫做推薦系統，在電商裡面已經很常見了。
但是新聞有它的特點，新聞是靠內容來取勝的。
比如說我們看新聞，是因為我們好奇，對新聞感興趣。
怎麼樣能夠把好奇的人和好奇的內容結合起來，這是需要關注的問題。
假如一個用戶的歷史記錄顯示，他經常讀一些財經類文章，又比較關注美國大選，
那我們能不能推斷，這個人關心的就是特朗普的財經政策？這樣就能給他推送更多的新聞。
這種信息裡面，既有用戶的行為信息，
又要有內容的信息，現在已經開始有這方面的研究了。
第五個方向是資訊服務，
意思是說，有了資訊以後，怎麼讓資訊和用戶非常順暢地進行交流。
在這一點上，楊強認為可以關注一下人機對話系統。
比如說我在開車，但又特別關心美國大選，所以我就問機器人這樣的問題：
美國大選現在是什麼情況？
機器人會告訴我各州開票的情況，這種對話需要機器人做大量的閱讀。
另外，機器對當時的輿論情況也要非常了解。
最後，在楊強看來，要實現上面說的這些方向，
機器需要掌握三大技術：深度神經網絡、強化學習以及遷移學習，這三者是必不可少。
而且最好的方式，是把它們三個放到一個統一的通用模型裡面。
以上就是楊強對未來人工智能和媒體結合方面的預測，供你參考。
本文源自：公眾號“極客公園”（第四範式楊強：人工智能推動媒體變革的5個方向）
稿：寶利
轉載:得到
-------------------------
主旨：
1. 人工智能來做編輯工作
像自動寫作、自動摘要這些事情，人工智能已經能實現了，
比如給機器一篇文章，機器自動寫一個摘要，起一個吸引用戶的標題，
或者是把體育比賽的現場解說詞給機器，
讓它把裡面重要的句子摘出來，變成一個很短的新聞稿。
2. 信源捕獲
意思是說，我們可以在一個新的領域，
用新的手段獲得一些信號，並且把這些信號變成我們要的新聞內容。
比如，過去做採訪，需要研究採訪對象，需要看這個人寫的文章，然後提出一些問題。
今天我們可以用深度學習來做到這一點，
讓機器去理解這些文章，然後自動生成高質量的問題。
3. 視頻和資訊的一種互動
今天很多媒體都開始進入視頻領域，視頻和資訊互動是說，
能不能實現文本和視頻之間的轉換，讓機器能看懂視頻，
然後用文字的形式告訴我們，給我們形成一個文字摘要。
4. 資訊的智能分發
在過去，這個叫做推薦系統，在電商裡面已經很常見了。
但是新聞有它的特點，新聞是靠內容來取勝的。
比如說我們看新聞，是因為我們好奇，對新聞感興趣。
怎麼樣能夠把好奇的人和好奇的內容結合起來，這是需要關注的問題。
5. 資訊服務
有了資訊以後，怎麼讓資訊和用戶非常順暢地進行交流。
要實現上面說的這些方向，
機器需要掌握三大技術：深度神經網絡、強化學習以及遷移學習，這三者是必不可少。
而且最好的方式，是把它們三個放到一個統一的通用模型裡面。
這條音頻給你說說智能媒體的未來發展方向。
在2016騰訊網媒體高峰論壇上，
香港科技大學計算機科學與工程學系系主任楊強發表了演講。
楊強也在大數據科技公司“第四範式”擔任首席科學家，
他從技術的角度，預測了人工智能和媒體行業的關係，
以及“智能媒體”未來發展的幾個方向。
第一個方向是人工智能來做編輯工作，幫我們提高編輯效率。
像自動寫作、自動摘要這些事情，人工智能已經能實現了，
比如給機器一篇文章，機器自動寫一個摘要，起一個吸引用戶的標題，
或者是把體育比賽的現場解說詞給機器，
讓它把裡面重要的句子摘出來，變成一個很短的新聞稿。
但這麼做，還是沒辦法生產出來我們想要的高質量的摘要。
楊強說，我們可以在這個基礎上加上一層“增強學習”，讓機器在做摘要的時候更有目的性。
比如，讓機器去讀《射雕英雄傳》、《笑傲江湖》兩本小說，
然後把閱讀到的東西遷移到一起，像洪七公和令狐衝這樣不在同一本書裡的人物，
可以互相進行打鬥，而且讀起來很通順，最後形成一本新的小說。
第二個方向是“信源捕獲”。
意思是說，我們可以在一個新的領域，
用新的手段獲得一些信號，並且把這些信號變成我們要的新聞內容。
比如，過去做採訪，需要研究採訪對象，需要看這個人寫的文章，然後提出一些問題。
今天我們可以用深度學習來做到這一點，
讓機器去理解這些文章，然後自動生成高質量的問題。
在“信源捕獲”這方面，還有一點就是信源可視化的追踪。
在我們的社會網絡裡，有很多信息的傳播、新聞的傳播，
通過可視化，我們能觀察到傳播的路徑、地點以及傳播方式。
這也就意味著，同樣一個新聞內容，我們可以對不同的人進行不同的服務。
比如說小朋友得到的內容，和成年人得到的內容，形式可以完全不一樣。
這樣可以實現自動化的個性投放。
第三個方向是視頻和資訊的一種互動。
今天很多媒體都開始進入視頻領域，視頻和資訊互動是說，
能不能實現文本和視頻之間的轉換，讓機器能看懂視頻，
然後用文字的形式告訴我們，給我們形成一個文字摘要。
第四個方向是資訊的智能分發，也就是怎麼把一個新聞分發給想看這個新聞的用戶。
在過去，這個叫做推薦系統，在電商裡面已經很常見了。
但是新聞有它的特點，新聞是靠內容來取勝的。
比如說我們看新聞，是因為我們好奇，對新聞感興趣。
怎麼樣能夠把好奇的人和好奇的內容結合起來，這是需要關注的問題。
假如一個用戶的歷史記錄顯示，他經常讀一些財經類文章，又比較關注美國大選，
那我們能不能推斷，這個人關心的就是特朗普的財經政策？這樣就能給他推送更多的新聞。
這種信息裡面，既有用戶的行為信息，
又要有內容的信息，現在已經開始有這方面的研究了。
第五個方向是資訊服務，
意思是說，有了資訊以後，怎麼讓資訊和用戶非常順暢地進行交流。
在這一點上，楊強認為可以關注一下人機對話系統。
比如說我在開車，但又特別關心美國大選，所以我就問機器人這樣的問題：
美國大選現在是什麼情況？
機器人會告訴我各州開票的情況，這種對話需要機器人做大量的閱讀。
另外，機器對當時的輿論情況也要非常了解。
最後，在楊強看來，要實現上面說的這些方向，
機器需要掌握三大技術：深度神經網絡、強化學習以及遷移學習，這三者是必不可少。
而且最好的方式，是把它們三個放到一個統一的通用模型裡面。
以上就是楊強對未來人工智能和媒體結合方面的預測，供你參考。
本文源自：公眾號“極客公園”（第四範式楊強：人工智能推動媒體變革的5個方向）
稿：寶利
轉載:得到
-------------------------
主旨：
1. 人工智能來做編輯工作
像自動寫作、自動摘要這些事情，人工智能已經能實現了，
比如給機器一篇文章，機器自動寫一個摘要，起一個吸引用戶的標題，
或者是把體育比賽的現場解說詞給機器，
讓它把裡面重要的句子摘出來，變成一個很短的新聞稿。
2. 信源捕獲
意思是說，我們可以在一個新的領域，
用新的手段獲得一些信號，並且把這些信號變成我們要的新聞內容。
比如，過去做採訪，需要研究採訪對象，需要看這個人寫的文章，然後提出一些問題。
今天我們可以用深度學習來做到這一點，
讓機器去理解這些文章，然後自動生成高質量的問題。
3. 視頻和資訊的一種互動
今天很多媒體都開始進入視頻領域，視頻和資訊互動是說，
能不能實現文本和視頻之間的轉換，讓機器能看懂視頻，
然後用文字的形式告訴我們，給我們形成一個文字摘要。
4. 資訊的智能分發
在過去，這個叫做推薦系統，在電商裡面已經很常見了。
但是新聞有它的特點，新聞是靠內容來取勝的。
比如說我們看新聞，是因為我們好奇，對新聞感興趣。
怎麼樣能夠把好奇的人和好奇的內容結合起來，這是需要關注的問題。
5. 資訊服務
有了資訊以後，怎麼讓資訊和用戶非常順暢地進行交流。
要實現上面說的這些方向，
機器需要掌握三大技術：深度神經網絡、強化學習以及遷移學習，這三者是必不可少。
而且最好的方式，是把它們三個放到一個統一的通用模型裡面。
沒有留言:
張貼留言