最后一批被AI替代的人，也要失业了(2)

在许多设置中，用户编写的标记函数利用了组织中不能在生产中提供的知识资源(a)-e.g.聚合统计数据、内部模型或知识图，这些数据、内部模型或知识图在生产中使用太慢或太昂贵，以便训练只定义在可生产服务特性(b)之上的模型，例如廉价的实时网站信号。

在Snorkel DryBell中，我们发现用户可以编写标签函数，即表达他们的组织知识，通过一个不可提供的特性集，使用Snorkel DryBell输出的培训标签，在另一个可提供的特性集上培训一个定义的模型。

在创建的基准数据集上，这种跨特性转换性能平均提高了52%。更广泛地来说，它代表了一种简单但功能强大的方法，可以使用过慢的资源(如昂贵的模型或聚合统计数据)、私有的资源(如实体或知识图)，或者不适合部署的资源，来训练可服务的模型使用廉价的实时特性。这种方法可以被看作是一种新型的转移学习，不是在不同的数据集之间转移模型，而是在不同的特性集之间转移领域知识——这种方法不仅在工业领域有潜在的用例，而且在医疗领域和其他领域也有潜在的用例。

【编辑推荐】

1. Python机器学习资源菜单，选库找工具不愁，GitHub精选列表都齐了
2. 人工智能在医疗领域的下一个前沿
3. 大数据和人工智能的关系，超全解析
4. 快手AI专场黑客马拉松落幕 “以AI之名”提升每个人的幸福感
5. 机器学习“剧透”权游大结局：三傻最先领盒饭，龙妈、小恶魔笑到最后

（编辑：ASP站长网）