解決方案：當(dāng)你把一個Vision.ai模型保存到磁盤上的時候，你能獲取到編譯模型和完整模型。編譯模型是不包含圖像的完整模型（因此小的多）。這就允許你在自己的電腦上保留完整的可編輯模型，而只需要分享編譯模型即可（特別是只發(fā)布訓(xùn)練過的權(quán)值），這就避免了別人來偷窺你的生活空間。Vision.ai的計算機(jī)視覺服務(wù)器稱為VMX，它既能夠運(yùn)行完整模型，也能夠運(yùn)行編譯模型；然而，只有非編譯模型能夠編輯和擴(kuò)展。另外，Vision.ai提供的是視覺服務(wù)器的獨(dú)立安裝模式，因此訓(xùn)練圖像和計算結(jié)果可以保留在本地計算機(jī)上。簡而言之，Vision.ai的解決方案允許你選擇在本機(jī)運(yùn)行還是在云上運(yùn)行，并且允許你選擇是發(fā)布完整模型（具有背景圖像）還是編譯模型（僅有需要檢測的對象）。當(dāng)需要分享訓(xùn)練模型和/或產(chǎn)生數(shù)據(jù)集的時候，你就能夠自由的選擇自己的許可協(xié)議。
4.授權(quán)基于內(nèi)存的機(jī)器學(xué)習(xí)模型的開放問題
深度學(xué)習(xí)方法并不是物體識別的唯一可用技術(shù)。如果我們的模型是使用原始RGB像素的最近鄰分類器（Nearest Neighbor Classifier ）會怎樣？最近鄰分類器是基于內(nèi)存的分類，它記憶所有的訓(xùn)練數(shù)據(jù)——模型就是訓(xùn)練數(shù)據(jù)。如果對同一數(shù)據(jù)集使用不同的許可，將會產(chǎn)生矛盾，因?yàn)槟程焖赡茏鳛橛?xùn)練數(shù)據(jù)，而其他的時候又可能是做為學(xué)習(xí)算法的輸出數(shù)據(jù)了。我不知道是否有一種方法可以調(diào)和那種來自ImageNet的非商業(yè)使用限制許可和來自Caffe深度學(xué)習(xí)模型的完全不受限制許可。是否有可能有一個黑客友好的數(shù)據(jù)模型/許可協(xié)議來統(tǒng)一所有的情況？
結(jié)論
如果將來神經(jīng)網(wǎng)絡(luò)升級成為你的操作系統(tǒng)的一部分，不要感到驚訝。當(dāng)我們從數(shù)據(jù)經(jīng)濟(jì)（共享圖片）向知識經(jīng)濟(jì)（共享神經(jīng)網(wǎng)絡(luò)）過渡的時候，法律/所有權(quán)問題就成為了一個需要考慮的問題了。我希望今天描述的三種場景（可視化大數(shù)據(jù)、共享深度學(xué)習(xí)模型、家中訓(xùn)練）可以在你想要分享知識的時候，幫助你思考這里面的法律問題。當(dāng)AI開始生成自己的藝術(shù)（可能通過重新合成老照片），法律問題會出現(xiàn)。當(dāng)你的競爭對手出售你的模型和/或數(shù)據(jù)的時候，法律問題再次出現(xiàn)。如果MIT協(xié)議、GPL協(xié)議和Apache協(xié)議針對預(yù)訓(xùn)練深度學(xué)習(xí)模型開始展開爭論的時候，也不要感到吃驚。誰知道呢，或許AI法將是接下來的大事件呢。
參考文獻(xiàn)：
[1] Deep Speech: Accurate Speech Recognition with GPU-Accelerated Deep Learning
[2]Text Understanding from Scratch
[3]ImageNet Classification with Deep Convolutional Neural Networks
[4]A Large-Scale Hierarchical Image Database
原文鏈接：Deep Learning vs Big Data: Who owns what?（翻譯/Fashionxu 責(zé)編/周建?。?/p>