尽管机器学习在语言理解方面很有帮助，但我发现（和许多其他人一样）它有 利用符号人工智 很多局限性。最明显的是，它非常昂贵，需要大量的时间和精力才能做好。但这只是冰山一角。机器学习还具有以下特点：
- 高度资源密集。
- 依赖于强大的 GPU 或高性能计算方法——但这并不便宜。
- 查找和标记训练数据的成本很高。
- 难以在不同应用程序中重复使用。
- 在实际理解语言方面受到限制。
幸运的是，符号方法可以解决语言理解的这些统计缺陷。它们资源高效、可重复使用，并且天生就理解语言的许多细微差别。因此，解决语言理解问题的成本和时间都变得更低。
机器学习的优势
正如我所提到的，无辅助机器学习对 手机号码数据 语言有一定的理解。它擅长模式识别，当应用于语言理解时，它是一种编程计算机执行基本语言理解任务的方法。因此，它适合在人工智能领域做某些工作。
例如，如果您正在研究梵语等不常见的语言，那么使用语言模型可以节省您的时间，同时为自然语言处理应用产生可接受的结果。然而，模型对语义的理解有限，并且缺乏对语言层次结构的理解。它们在语言理解方面远不如符号 AI 那么熟练。
机器学习的弱点
总体而言，语言模型技术成本高昂且复杂，因为它们是针对不同类型的问题而设计的，并且一般都分配给语义空间。例如，BERT 等技术所基于的方法更适合面部识别或图像识别，而不是语言和语义。
这些基于模型的技术不仅成本高昂，而且还需要难以找到 电子邮件营销 的数据科学家从头开始为认知处理自动化(CPA) 等特定用例构建模型。部署这些技术会占用您的资源，从寻找和雇用数据科学家到购买和维护 GPU、高性能计算技术甚至量子计算方法等资源。
无辅助机器学习
残酷的现实是，你很容易就会花费超过 500 万美元来构建、训练和调整一个模型。语言理解模型通常涉及监督学习，这需要公司为特定用例找到大量的训练数据。那些成功的公司必须投入更多的时 澳大利亚电话号码 间和金钱来注释这些数据，以便模型可以从中学习。问题是训练数据或必要的标签并不总是可用的。
因此，如果您使用无辅助机器学习技术，并花费比语言理解三倍的资金来训练统计模型，那么您在特定用例中可能只会获得 5% 的改进。这时，公司通常会意识到无辅助监督学习技术远非此类应用的理想选择。