除了Hadoop和spark之外，在开源范畴Doug Cutting还比较存眷Kudu。Kudu是表示强大年夜的存储引擎，既具备了像Hbase随机拜访的很强的常识才能，同时又具备HDFS的快速萌芽才能，兼而有之;别的就是Kafka，Kafka有很强的及时应用支撑才能和流处理才能，据懂得，Cloudera已经把这两大年夜技巧采取到平台中更好地知足我们客户的需求。“我们也在构建一些更多的Spark机械进修的对象，与之相干的一个项目是Apache Spot，它表示了收集安然的才能，赞助我们的客户免遭黑客的进击，这是我们在Hadoop和Spark基本长进一步的推动。”Doug Cutting说。

如今人工智能的火热程度已经很难用说话来形容了，对于人工智能、大年夜数据以及Hadoop，Doug Cutting强调：“我认为Hadoop和AI之间是异常合适、异常匹配的一项技巧，因为AI本身就是一种大年夜数据的应用，特别是在对于AI体系进行练习的时刻，应用的数据越多，AI体系就越先辈。上周Google揭橥了一篇文┞仿，重要讲的是AI的图象辨认，也就是说袈溱用数以十亿计的图象识其余深度智能体系进行培训的基本上，仍然是应用的数据越多、图片越多，这种深度进修图象识其余才能就越强，也就是说对于人工智能体系进行练习应用的数据量越大年夜，人工智能体系的质量就越高，大年夜这个意义上来说AI本身也是一种大年夜数据应用。”笔者比来接触了很多有关AI的谈吐以及产品，就常识图谱以及深度进修请Doug Cutting谈了谈本身的看法。

51CTO记者：因为2012年谷歌推出了常识图谱，如今越来越获得行业的承认。以常识图谱为代表的常识工程也越来越获得存眷，请问这种以常识图谱作为推动人工智能成长和落地的重要对象、技巧手段的看法，您是怎么懂得?

Doug Cutting：起首就常识图谱、常识工程而言，在推动人工智能的过程中，在我看来这种常识图谱、常识工程的办法没有统计学办法那么成功。早在八十年代，常识工程就已经异常风行了，那时我照样学生。如今深度进修取得的成功重要依附的是统计学的办法，也就是基于巨量数据的各类模型的练习，而不是经由过程常识工程的方法，在图像辨认、语音辨认以及分类义务的完成上取得了很大年夜进展。当然我也不是说像常识图谱、常识工程的方法在人工智能成长过程中永远不会成功，只是今朝的近况不如统计学的办法加倍有效。

51CTO记者：您认为深度进修还存在什么样的缺点?

Doug Cutting：对于深度进修进一步成长的挑衅，我认为最大年夜的一个挑衅就是深度进修的有效性、实用性、广度到底有多大年夜。今朝在一些熟悉、辨认义务的完成中，深度进修异常有效，例如在大年夜量的噪音或者是干扰的身分中进行清楚的辨认、分类、标签，深度进修做得异常好;但有很多其他类型的义务，对形势进行分析并做出决定计划，并不是完全依附这种才能。固然今朝人们对于深度进修可以或许完成很多其他义务这个定位是异常乐不雅的，但我欲望如许的乐不雅不会是一种过度的乐不雅。

【51CTO原创稿件，合作站点缀载请注明原文作者和出处为51CTO.com】

【义务编辑：刘晶晶 TEL：（010）68476606】

　　推荐阅读

　　手把手教你用 Python 和 Scikit-Learn 实现垃圾邮件过滤

【技巧沙龙】AI开辟者拭魅战营-7分钟打造1个定制技能。7月22号，我们等你一路！ 文本发掘（Text Mining，大年夜文字中获守信息）是一个比较宽泛的概念，这一技巧在如今天天都有海量文本>>>详细阅读

本文标题：听Cloudera首席架构师Doug Cutting谈Hadoop与人工智能

地址：http://www.17bianji.com/lsqh/36313.html

 1/2    1