创业过5家大数据公司，Kaggle竞赛冠军：互联网深度学习误区—花大力气在那些影响力很小的事情上

正文

请到「今天看啥」查看全文

Q2. GP：在创立 fast.ai 之前，2014 年你创建了 Enlitic，其目标是使用深入学习，帮助医生更快更准确地做出诊断。相比其他受过专业医学教育的医生，（利用 Enlitic）到底能获得多大帮助和提升？

JH：我不清楚目前最新的进展，毕竟我已经离开几个月了。但是，在我学习深度学习如何应用于医学方面的时候，我发现这方面的机会和潜力十分巨大。最重要的是，通过这项技术得应用，它有机会挽救生命，显著降低医疗费用，特别是在那些发展中国家。

在临床实验中，Enlitic 帮助四名业界顶级的放射科医生，多发现并确诊 7％ 的癌症；在广泛病例诊断中，医生错诊率为 66％，而 Enlitic 则为 47％。—— Sydney Morning Herald Reports

Q3. GP：在医疗健康行业中广泛采用 Enlitic 或类似的自动化技术有哪些障碍？

JH： 最大的障碍之一是缺乏综合全面的数据集 。即包含了很长时间周期内的医学测试、干预措施和治疗结果的历史的数据集，并将所有的患者联系起来。只有通过这样的数据集，才可以构建基于实际治疗结果进行诊断检测和治疗建议的有效模型。

另一个障碍是缺少研究这一领域的数据科学家。在互联网行业，你能看到 很多聪明、有能力的人从事于那些“影响力”很小的事情上 ，比如广告系统，推荐系统和浪费时间的社交网络。这是令我很惊讶的。

此外，在学术界很多深入学习的研究人员又都专注于“如何构建一个大脑”，而不是解决当前人类面对的各种重要问题。

另一个特别的障碍是，医学从业者，特别是临床专家们，他们知识领域具有非常高的专业性，以至于很难找到其他人可以在“解决医学问题”上为我们提供教学建议的人。

Q4. GP：你以 Kaggle 竞赛第一名而获得广泛关注，之后又出任 Kaggle 的总裁。在 Kaggle 这段时间有什么值得谈谈的吗？对于那些想挑战你 Kaggle 排名的人，你有什么建议？

JH： 在 Kaggle 我学到了非常多关于机器学习的知识，差不多超过之前二十年的积累。 另外一点是在过去几个月里，我一直在为准备我们的课程而学习和研究 Kaggle 的数据集。

对于希望提高排名的人，或者希望提高技能的机器学习从业者，我的建议很简单：

请到「今天看啥」查看全文