1
摘要: 2019技术发展趋势早知道,你值得拥有!

年度回顾:2018年的AI/ML惊喜及预测19年的走势(一)

Unravel Data首席执行官Kunal Agarwal

人工智能和机器学习的日益重视将会推动TensorFlow和H2O实现技术突破成为可能。此外,Spark和Kafka将继续呈现引人注目的受欢迎程度。

随着云业务模式快速成熟,企业并购交易将继续加速。巨头将对人工智能领先的创业公司进行大规模收购,以便在AI和ML中提供高度需求的知识产权和人才。谷歌和阿里巴巴在收购萌芽的人工智能技术方面处于领先地位,而其他一些科技巨头将尝试通过自主研发来模仿他们的成功。

Grammarly研究总监Joel

最近几年,人工智能推动了理解和生成语言的界限(最值得注意的是新闻翻译)。由于以下因素,我预计2019年更多自然语言处理(NLP)里程碑成果将会减少:

  1. 语言解释依赖于语境,意味着真正理解一个人的写作或语言需要参与者的知识,还有他们先前的交流。大多数NLP模型工作是在没有这些因素的情况下进行的语言解释或生成,但我希望通过结合更多受众认知的知识,使得NLP性能提高并变得更加个性化。
  2. 关于AI的一个小秘密:许多系统都是在数千人(或更多)人类评估者创建和标记的数据集上进行训练的。随着我们需要解决更复杂的人工智能问题,对大量高质量人工标注数据的需求将会增加,但在利用机器学习技术来收集这些数据时会有更多时间和成本效益的突破。
  3. 同时,使用最少甚至没有标记数据(也称为无监督技术)的方法将减少我们对大量标记数据的依赖,使深度学习模型能够在新的和不同类型的问题上更加健壮。
  4. 模型架构和基础架构的进步使丰富的深度学习模型能够在资源较低的环境中工作,例如在移动电话和Web浏览器中。在未来,我们希望看到更复杂的模型,即使没有互联网连接,也能在所有设置中为用户提供反馈。

Univa总裁兼首席执行官GaryTyreman

混合云和专用云将推动机器学习(ML)项目的大规模增长。根据最近对超过344名技术和IT专业人士的调查显示:在2020年,越来越多的项目将投入生产,ML将在未来两年内实现爆炸式增长。超过80%的受访者表示,他们计划将混合云用于ML项目,这样可以降低成本。Univa客户已经在寻求指导,将他们的HPC和机器学习工作负载迁移到云或混合环境,因为他们希望将他们的ML项目推进生产。

AI/ML将进入企业应用程序。我们一直在谈论人工智能是过去两年中最热门的趋势之一。我们开始看到AI和机器学习稳步进入企业应用程序,用于客户支持,欺诈分析和商业智能等任务。我们完全有理由相信这些创新将继续在云中发生,2019年将是企业中人工智能的重要一年。

HPC和GPU将在推进机器学习项目中发挥关键作用。GPU在HPC中将发挥很高的价值,其中许多任务,如模拟,财务建模和3D渲染也能在并行环境中运行良好。根据HPC市场的市场研究公司Intersect 360研究表明:50种最受欢迎​​的HPC应用程序包中有34种提供GPU支持,包括所有前15种HPC应用程序。因此,GPU在HPC中变得至关重要。科学家,企业研究人员,大学和研究机构都知道,加速应用程序对商业和研究来说都是有益的。

Sutherland首席分析官Puti Nagarjuna

打破障碍; 人工智能与人类恐惧之间的平衡:无论我们是否意识到,我们对人工智能的依赖比以往任何时候都更加活跃,2019年公司将齐心协力进一步了解人工智能的局限性,同时发现AI应对更细微的人类行为的方法。

越来越多人接受人工智能作为客户体验的第一线:消费者将更多地接受人工智能聊天机器人作为客户体验的第一线,更多公司将采用它们来创造超个性化和便捷的体验。

AI将把以客户为中心的营销推向新的高度:随着各种规模的公司转向人工智能技术,通过人工智能增强趋势分析将达到前所未有的价值水平,帮助企业评估如何优化营销工作,作为数据驱动的一部分CMO将崛起。

机器学习追求最大价值:数据呈指数级增长,但访问该数据的能力对于良好的ML算法并不实用。在未来一年,一个主要的挑战将是不断发展的算法,以产生适用于你的数据的最大值具体需要。

汇流数据架构师Gwen Shapira:

随着越来越多的公司试图将AI从实验室转移到生产中,我们将看到越来越多的工具用于管理开发生命周期。AI具有独特的双阶段开发模型,目前的CI/CD工具链无法解决训练,可重复性和数据管理方面的独特挑战。

许多公司意识到他们可以通过更简单的工具获得许多AI / ML优势,例如规则引擎和简单的推荐系统。我希望看到越来越多的人采用这些,既可以作为进入完全自治世界的垫脚石,也可以作为许多行业的良好解决方案。

我们将看到许多数据工程工具被重新命名为AI/ML数据管道工具。它们与通常的数据工程工具大致相同,但预算较多。我期望一个真正的以人为本的数据管道来处理训练和生产之间的数据和模型流,特别是处理反馈循环和模型改进。

Kinetica的首席技术官兼联合创始人:Nima Negahban

数据工程师的崛起使AI成为企业的最前沿。去年是数据科学家的一年,企业重点关注招聘数据科学家创建高级分析和ML模型。2019年将是数据工程师的一年。数据工程师将专注于将数据科学家的工作转化为业务的强化数据驱动软件解决方案。这涉及创建深入的AI开发,测试,DevOps和审计流程,使公司能够在整个企业范围内大规模整合AI和数据管道。

人与ML形成共生关系,以推动实时业务决策。2019年人工智能和分析的世界需要融合,以推动更有意义的业务决策。这将需要一种通用方法,将历史批量分析、流分析、位置智能、图形分析和人工智能结合在一个平台中进行复杂分析。最终结果是一种新的模型,用于结合临时分析和机器学习,比以往更快的速度提供更好的洞察力。

Oqton首席技术官兼联合创始人:Ben Schrauwen

2018年最大的惊喜是在解决大型训练数据集需求方面取得的进展。AlphaZero击败了所有以前的版本,达到了超人的水平。生成对抗网络(GAN)正在成功应用于产生更强大的模型。此外,我们现在看到AI可以在非常具体的任务中变得如此擅长,人类无法再说出差异,例如Google Duplex在语音合成中有效地越过了神奇的山谷,为特定的狭窄领域产生了自然的声音对话。

我预计我们会很快看到AlphaZero的方法适用于大型搜索空间的难题,甚至超越人类的专业知识。视觉和3D深度学习的进步将导致越来越多的解决方案,以帮助提高人类在特定任务中的生产力,甚至完全自动化。

MemSQL首席执行官:NikitaShamgunov

预测#1:现代工作负载需求将命令从NoSQL转移到NewSQL数据库。由于ML,AI和边缘计算工作负载不断激增数据,传统的NoSQL数据库不再足以满足市场对更高性能和可扩展性的需求,而不会给现有数据库增加新的复杂性。关系数据库已发展成更具可扩展性和快速运行的NewSQL数据库,通过将事务和分析处理功能集成到单个数据库中,这些数据库能够满足这些需要更高数据处理能力的现代工作负载的需求。

预测#2:人工智能和机器学习计划将要求CEO更好地了解它的基础架构。人工智能和ML的竞争正变得比以往任何时候都更加激烈。为了使企业能够成功部署AI和ML以实现最大化价值并降低风险,CEO和其他C级领导者需要了解其数据基础架构的成熟度,包括如何存储和处理数据,以确定哪些技术和人才需要推动转型。

预测#3:AI将使员工能够最大限度地减少劳动密集型任务。人工智能的采用有望推动新的角色和工作机会的引入,以符合公司战略,从而变得更加以数据为导向。人工智能将帮助员工专注于更有意义的职责,例如分析洞察力和应用快速数据驱动的决策制定技能,而不是替换人来执行工作,而是帮助执行通常耗时且劳动密集的任务。



本文作者:【方向】

阅读原文

本文为云栖社区原创内容,未经允许不得转载。


如果觉得我的文章对你有用,请随意赞赏

你可能感兴趣的

载入中...