HPE要求AI的自下而上的方法

从金融建模到使用物理模型来确定飞机发动机在湍流条件下的性能，经济理论和物理法律预测结果的使用良好。

然而，开发人工智能（AI）模型的这种自上而下的方法并不总是有效的，特别是如果人类被包括在等式中。

引用了未能预测衍生品市场中人民的非理性的模型的例子，高性能计算（HPC）和AI在惠普企业的首席技术官和AI的Goh Eng LIM表示，所以需要一个自下而上的AI型建模方法。

Goh表示，在Supercomputing亚洲的超级履行亚洲亚洲，返回说，这种方法将根据历史数据完全基于历史数据，以预测未来的结果，而无需使用理论基础的现有型号。“这已经开始在Fintech [金融技术]世界中，我们将开始看到这款HPC，”他说。

GOH测试了这种方法，当他将他的研究人员踩到互联网上的历史天气数据时，并通过机器学习算法运行数据来预测它会在旧金山机场下雨。这是通过使用气象模型对超级计算机进行耗时计算的而进行的。

经过反复调整不同数据点的重量以预测雨的概率，算法达到了82％的相对良好的准确度。虽然使用气象模型可以提高准确性为95％，但戈的团队可以在几秒钟内而不是小时内获得预测。

与美国航天局合作的GOH，向空间发送超级计算机，这是根据归纳推理的自下而上的方法在太空研究中有用，在那里船上的强大电脑可用于缩短数据以获得快速答案的数据。“较准确的答案将在以后来自地球，”他说。

一些研究人员甚至将数据驱动的模型与Deftuctive自上而下的理论上相结合，以进一步提高准确性并获得更精确的答案，称戈。

GE等公司已经努力将物理和数据驱动的机器学习模式结合在其工业系统中。GE Digital的数据和分析副总裁Joshua Bloom在2017年12月在新加坡的Strata数据会议上表示，这样做会有助于改善物理模型。

Bloom补充说，该公司还确保用户的模型产生的信息被用户信任和理解。“即使模型是正确的，如果人们不信任并接受它们，他们也不会被使用，”他说。

“到底，我们需要创造不仅仅是更好的算法，而且还使机器学习建议理解为具有域专业知识的人。我们还需要构建在反馈中的系统，并致力于用户和好答案的效果。“