人工智能使我们在自拍时看起来更好，当我们要求Alexa时，它顺从地告诉我们天气，并推出自动驾驶汽车。这是一种技术，使机器能够从经验中学习并执行类似人类的任务。

作为一个整体，人工智能包含许多子领域，包括自然语言处理、计算机视觉和深度学习。在大多数情况下，具体的技术是机器学习，它专注于开发分析数据和做出预测的算法，并严重依赖人的监督。

SMU信息系统助理教授孙强如将训练一个小型人工智能模型比作教一个小男孩识别周围的物体。 "一开始，一个孩子不了解他周围的许多事情。他可能会看到一个苹果，但不认识它是一个苹果，他可能会问， "这是香蕉吗？ "他的父母会纠正他， "不，这不是香蕉。这是一个苹果。 "然后他大脑中的这种反馈信号就会调整他的知识。 "

孙教授的研究重点是深层构象新网络、元学习、增量学习、半监督学习，以及它们在图像和视频识别中的应用。

培训AI模型

由于人工智能的复杂性，孙教授在深入到她的研究项目之前，先探索该领域的一般概念和当前趋势。

她解释说，受监督的机器学习涉及模型在有标记的数据集上进行自身培训。也就是说，数据被标记为模型正在构建以确定的信息，甚至可能以模型应该被归类为数据的方式进行分类。例如，设计用于识别苹果的计算机视觉模型可能会在一组不同的有标记的苹果图像上接受培训。

"给它数据，数据有标签， "她解释说。 "图像可能包含一个苹果，图像经过深度AI模型并做出一些预测。如果预测是正确的，那么它就很好。否则，模型将受到计算损失或反向传播的惩罚，以修改其参数。因此模型将得到更新。 "

目前，最先进或表现最好的人工智能模型几乎都是基于深度学习模型，孙教授观察。在深度学习中，模型学习从包含多层的深层新架构的图像、文本或声音中执行识别任务。例如，如果输入是图像，假设图像可以通过不同的空间尺度或特征层描述。

孙教授解释说： "以我的脸为例。区别于其他人的特征是我的眼睛，我的鼻子，我的嘴是局部特征，我的脸形状和肤色是全球特征。为了识别，我可以使用这些特征说， "这是我。 "对于机器模型，它在不同的层次上编码这种局部和全球特征，因此可以做相同的识别。

训练人工智能模型需要大量数据才能准确识别。她认为，如果人工智能模型只有一个人的脸的图像，它就会错误地识别该人，因为它没有看到区分该人和另一个人的其他面部特征。 "外观有差异，人工智能依赖于高度多样化的数据集，以了解图像的所有差异。 "

健康推广委员会应用

孙教授正在研究的项目之一是Food AI + ，这是新加坡健康促进委员会(Health Promotion Board ， HPB)的一个应用程序。用户可以简单地通过用手机拍摄他们正在吃的食物的照片来确定食物组成数据。该应用程序的目的是帮助用户跟踪他们消费的食物的营养，并利用信息实现健康、平衡的饮食。

孙教授和她的团队收集了用户为他们的膳食拍摄的图像的数据，并将其上传到应用程序中。观察到食物图像是非常不寻常和多样的，反映了不同的文化。

"例如，新加坡的华人和马来人有不同的饮食习惯、食物风格和不同的食物类别， "她澄清说。 "当我们训练模型时，我们从有限的类别列表开始，但对于食品应用程序，我们发现我们必须在应用程序编程接口（API）中一直扩展这些类别。我们必须不断修改和更新数据集。新加坡丰富的文化多样性是该项目的最大挑战之一。 "

除了收集更多不同的数据，该团队还在研究领域适应学习算法。在不同的文化下，有不同的领域，因此他们必须考虑如何通过利用有效的学习算法快速适应他们的预先训练的模型。为了对食物图像这样做，他们需要开发特定于食物的领域适应算法。他们还需要考虑纳入食物知识，以提高多领域模型的总体效率。

孙教授说： "我们想通过在新领域使用一个小数据集进行这种调整。这是一项具有挑战性的任务，它将使新加坡不同文化的用户受益。 "

N在AME中

孙教授目前正处于一个名为"用于高级人工智能系统的快速适应新环境网络"的三年期项目的早期阶段。该项目由科学、技术和研究机构(A * STAR)在其高级制造和工程杨个人研究格兰特(AME YIRG)下资助，专注于计算机视觉，如图像处理、图像识别或视频中的物体检测。计算机视觉算法通常依赖于Convolutional Neural网络，或CNS ，这是她的专长领域。

孙教授解释说： "这项研究的关键假设是，基于统计层面的知识学习，有可能建立模型适应的推理水平。通过这一假设，我们也接近于先进人工智能系统的目标，该系统为AME领域的应用提供具有人类智能的机器模型培训。 "

该研究旨在实现自动化视觉检测的高喧闹和计算效率，以及精密制造和先进图像识别技术之间的跨学科知识。孙教授相信，当快速适应的检测设备广泛安装在生产线的设计、布局、制造、组装和测试过程中，研究结果将大提高收率，并降低生产成本。