2019年的人工智能预测

作者: 企业网D1Net 2018-12-28 09:45:29

2019年的人工智能预测

从隐私和数据偏见监管到模型训练和自助人工智能等问题,人们期待人工智能领域得到更加广泛的关键进展。

人工智能技术在2018年迅速发展。即使没有关注这项技术的分析师,也很难摆脱流行文化、媒体、政治的影响,当然还有Alexa等个人技术的人工智能热潮。

考虑到这一点,分析机构对2019年人工智能发展进行了预测,在此还列出了未来几年内对人工智能技术的长期详细的趋势的预测。并在多方面勾勒出人工智能技术的发展方向:

人工智能将发挥它的魔力,无论是好坏,都将更深入到人们的生活中:如今,人工智能产生的音频很难与人类发出的声音区分,正如谷歌公司今年公开展示新的双工数字助理技术。同样,人工智能生成的“deepfake”视频、音频和机器人技术也让人们难以区分。

到2019年,这些“产生式人工智能”技术将进一步改进。更重要的是,它们将嵌入到越来越多人工智能的产品和服务中,并通过并入开发人员的AI DevOps工具链来实现。这项技术的进步将引发更多的全球文化,激起更多的政治讨论,并为好莱坞的科幻小说编剧提供更多的素材,以便在他们的想象工厂中加工。

人工智能的相关法规即将出台:面部识别是人工智能最广泛、也是最具争议性的应用之一。随着面部识别在智能手机、智能相机和在线媒体应用中无处不在,肯定会出台针对人工智能应用的更多法规。在2019年,许多国家和地区可能会对面部识别进行监管,重点关注隐私和偏见问题。许多关于面部识别的规定将侧重于赋予消费者选择退出其使用的权利;检查如何用于面部识别;全面了解其面部数据的管理方式,并要求将其从企业数据库中永久清除。

一些新法规可能全面适用于面部识别的所有应用,而其他一些法规将在管理执法、医疗保健、电子商务、社会媒体、自主车辆和其他领域的现有规定范围内逐步应用。

人工智能开发框架在开放的行业生态系统中变得可以互换:标准AI DevOps抽象层的出现使更多开发人员能够使用他们希望的任何语言进行构建,并编译他们的工作,以便在任何框架、流水线和目标硬件、云计算或服务器平台中按照他们的意愿优化执行。过去几年中,广泛采用了诸如Keras之类的高级AI API、诸如ONNX之类的共享人工智能模型表示,以及诸如NNVM和TensorRT之类的跨平台人工智能模型编译器。在2019年,这些和其他标准人工智能管道抽象的采用将会扩展,从而为开发生态系统提供支持,减少锁定人工智能解决方案提供商的垂直专有堆栈的可能性。

自动化的端到端AI DevOps流水线将成为标准实践:人工智能已成为许多企业的工业化流程,创建业界优先的工具,可以实现从数据准备到建模、训练和服务的每个流程的自动化。在2019年,人工智能工具将自动化扩展到以往需要专家判断的任务,例如特征工程,并且将通过允许专家在声明性功能指定驱动的单击可视化工具中构建、点击、训练和部署这些模型的工具来民主化对这些能力的访问。

人工智能正在成为一种工业化的运营业务功能:人工智能的工业化已经通过端到端的工具链自动化在各地的企业中占据了一席之地。在2019年,人们将看到人工智能工作台供应商通过产品区分工业级功能,诸如在线操作实验、自动模型基准测试、全天候A/B测试、连续挑战者部署、涡轮动力集成和生命周期模型治理等。

Kubernetes编排的容器正在成为人工智能管道不可或缺的一部分:许多人工智能工具供应商现在支持在云原生计算环境中构建和部署容器化统计模型。到2019年底,这个快速增长的细分市场中的大多数供应商将支持在越来越异构的管道中部署集成化的人工智能模型,以便在Kubernetes集群中进行编排。随着这一趋势的不断加剧,大多数工具供应商将实施新兴的Kubeflow项目,以支持框架、平台和云计算无关的数据科学DevOps工作流程。

主流人工智能开发框架将进行重新设计,以实现卓越的云计算到边缘计算性能:人工智能的神奇之处在于部分来自于在每个开发、运营和边缘平台中可用的最快运行时引擎中实现。在2019年,预计大多数云平台供应商将推出这个和其他主要人工智能框架的版本,这些框架旨在加速GPU中运行的所有AI DevOps管道功能,以及云计算到边缘计算环境中的其他主要硬件加速器。

谷歌公司将继续围绕其不断深化的TensorFlow堆栈推动数据科学行业工具链的发展:2018年,人工智能开发人员采用谷歌公司的开源TensorFlow框架,并且该公司在开发堆栈和参与人工智能社区参与演变方面进行了大量新投资。TensorFlow是主要的人工智能开发框架。预测在2019年,TensorFlow堆栈将提交给行业组织,以正式确定其未来的发展和治理。此外还预测,无论TensorFlow在开放源码项目生态系统中处于什么位置,它都将越来越多地与不断发展的Kubernetes容器化生态系统融合,其中大部分的重叠发生在以AI DevOps为中心的项目中,例如Kubeflow。

大多数数据科学家将购买经过认证的高性能人工智能算法,经过训练的模型以及来自在线市场的训练数据:当开发人员可以使用可用于预期应用领域的最佳算法、模型和数据来启动它们时,人工智能计划的进展更快。2019年,许多供应商出于这些原因推出这些市场,并为内部开发的人工智能资产的重新利用和合作伙伴开发的等价资产的发布提供了潜在的货币化机会。

人工智能培训数据的大多数标签将通过按需云计算服务自动化:人工智能的主要训练方法仍然是有监督的学习,并且依赖于人工注释劳动密集、耗时的数据标记过程。在2019年,人们期望自动化、按需训练数据标记服务将成为所有数据科学DevOps管道工具的标准组件。

强化学习将成为人工智能的主流方法:监督学习正成为标准数据科学工作流程中的几种方法之一。在2019年,人工智能行业将开始将最广泛采用的强化学习框架,例如Intel Coach和Ray RL纳入其工作台。在未来十年,大多数AI DevOps工作流程将无缝地将强化学习与监督和无监督学习相结合,为生产企业应用中更复杂的嵌入式智能提供支持。

人工智能将加速商业智能的民主化:人工智能正在内外重塑商业智能市场。在过去的几年中,商业智能的核心趋势之一是将该技术传统的重点放在历史分析上,采用新一代注入人工智能的预测分析、搜索和预测工具,这些工具允许商业用户做许多过去需要训练有素的数据科学家的事情。在2019年,更多的商业智能供应商将集成大量的人工智能来自动从复杂数据中提取预测性见解,同时在解决方案中提供这些复杂的特性,这些解决方案提供自助服务的简单性、内存中的交互性,以及指导下一个最佳操作措施。

人工智能风险缓解控制将成为数据科学管道工具中可用的标准模式:人工智能充满风险,其中一些源于技术特定构建中的设计限制,另一些源于对实时人工智能应用程序的运行时治理不足,以及源于人工智能技术的难以理解的黑盒复杂性。在2019年,更多商业人工智能开发工具将纳入标准工作流程和模板,以减轻隐私侵犯、社会经济偏差、对抗性漏洞、可解释性缺陷,以及其他可能在其可交付应用程序中出现的风险因素。

人工智能数据科学团队的工作台将确保下游的可再现性:合规性、透明度和其他社会要求将越来越多地要求人工智能驱动的算法结果的可再现性。为了在其工作流程中建立可再现性,更多数据科学团队将依赖工作台来维护用于开发人工智能可交付成果的特定流程的可靠审计跟踪。在2019年,希望这些平台的更多供应商能够加深其维护模型、数据、代码和其他工件的丰富审计跟踪的能力,以建立人工智能应用程序谱系的下游可再现性。

人工智能基准测试框架将具体化并获得采用:评估不同堆栈的人工智能软件、硬件和云计算服务的比较性能非常困难。随着人工智能领域转向工作负载优化架构,对标准基准测试框架的需求不断增长,以帮助从业者评估哪些目标堆栈最适合训练、推理和其他工作负载。在过去的一年中,人工智能行业迅速发展开放、透明和供应商无关的框架,用于基准测试和评估不同硬件/软件堆栈在运行不同工作负载时的相对性能。这些举措中最有希望的是MLPerf,根据行业参与程度、任务的广度,它在其范围内包括的目标硬件/软件环境的范围,以及在为当今的顶级基准测试组合有用的框架方面的进展来判断人工智能挑战。

在2019年,期望将MLPerf的基准测试套件整合到许多人工智能硬件、软件和云计算服务提供商提供的工具中。其中许多供应商将开始发布MLPerf基准测试作为新产品发布的标准实践。

GPU将扩展其在沉浸式人工智能应用中的足迹:图形处理单元多年来一直是人工智能革命的核心。在2019年,由于采用智能混合现实、智能相机、游戏以及依赖于高保真、实时其他设备和应用,GPU的核心图像处理加速能力将变得更加重要。NVIDIA公司最近宣布的图灵GPU将成为首选的硬件加速器技术,因为其具有实时光线跟踪、分辨率缩放、可变速率阴影、物体检测,以及其他图像处理功能。

片上人工智能系统将主导硬件加速器产品:人工智能硬件加速器开始渗透到分布式云计算到边缘、高性能计算、超融合服务器和云存储架构的每一层。在2019年,将推出一系列新硬件创新,例如GPU、张量核心处理单元、现场可编程门阵列等硬件。将在这些和其他应用领域中支持更快速、高效和准确的人工智能处理。在2019年及以后,硬件供应商将在系统级芯片部署中结合越来越多的人工智能加速器技术,用于智能机器人和移动应用等领域中的高度特定的嵌入式人工智能工作负载。

客户端训练将走向人工智能的主流:迄今为止,客户端训练一直是优化人工智能应用程序的一种利基方法。传统上,客户端训练无法生成与集中数据环境中训练的人员一样准确的人工智能模型。但是,客户端训练非常适合边缘应用的新世界,能够根据该节点感知的特定数据不断更新每个设备中的人工智能模型。2019年,客户端训练将成为边缘计算、移动和机器人过程自动化应用中人工智能模型学习的关键。在许多iOS应用程序中,它已经成为设备端人工智能训练标准,例如确保Face ID能够始终如一地识别用户,设备可以在照片应用程序中准确地将人物图片进行分组,调整iPhone的预测键盘,并帮助Apple Watch从活动数据中自动学习用户的习惯模式。

人工智能正推动着闭环IT运营管理:在过去的几年里,由于嵌入式机器学习工具能够比单独人工方法更可扩展、可预测、快速和有效地自动化和加速许多任务,人工智能已经成为IT运营管理的组成部分。在2019年,人们将看到这种趋势,有人称之为“AIOps”,渗透到运营商和企业正在构建高性能计算环境的超聚合基础设施解决方案中。在未来几年,许多数据科学家将加入设计人工智能驱动的管理背板的团队,这使得数据中心存储、计算以及其他硬件和网络资源能够全天候自我优化。

区块链将进入人工智能生态系统:人工智能社区已经开始探索区块链的各种用途。过去一年,创业公司的范围有所增长,提供的平台可作为人工智能计算代理主干、分散式训练,例如数据交换、中间件总线、审计日志和数据湖。这些部署在人工智能开发人员生态系统中尚未成熟或广泛采用。在2019年,主要的公共云解决方案提供商(尤其是AWS、Microsoft Azure、谷歌云平台和IBM Cloud)可能会收购一些更有前途的初创公司,并将它们添加到各自的人工智能工具链组合中,以满足特定的生态系统要求。可能会受益于专用的分布式可信超级应用程序。

此外遗漏什么了吗?当然。这段列表甚至没有开始讨论人工智能的趋势,比如聊天机器人、智能相机、自主车辆等等。

人工智能是人们生活中每个领域创新的肥沃土壤,试图预测可能采取的每一条可能的进化路径都是徒劳的。与几年前不同,人工智能将无处不在,并且将会加速普及。

人工智能 预测
上一篇:同为工程师,搞算法的凭什么工资比你高? 下一篇:机器学习的教训:5家公司分享的错误经验
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

11个主流AI聊天机器人平台,你绝不能错过 精选

人工智能聊天机器人掀起了一场用户体验革命。只要用户需要,机器人就能提供有用的信息。一些企业应用AI聊天机器人为客户提供积极有益的帮助,企业也因此得到了长足的发展。

读芯术 ·  1天前
5G自动驾驶什么样?韩国测试得出这样的结果

自动驾驶与5G的产业发展备受关注,而两者结合会有什么样的效果,韩国企业近日进行了一番探索。韩媒报道称,10月10日,LG U+自动驾驶汽车在首尔麻谷LG科学园一带的普通公路上进行了测试。

佚名 ·  1天前
全球十大AI训练芯片大盘点

AI芯片哪家强?现在,有直接的对比与参考了。英国一名资深芯片工程师James W. Hanlon,盘点了当前十大AI训练芯片。

乾明 ·  1天前
模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

AI模型越来越小,需要的算力也也来越弱,但精度依旧有保障。最新代表,是一个刚在GitHub上开源的中文项目:一款超轻量级通用人脸检测模型。

乾明 ·  1天前
人工智能遇冷,自动驾驶受阻?

2016到2019,人工智能经历了梦幻般的三年,但人工智能的历史规律告诉我们:高潮过后可能会引来新的一波沉寂,人工智能助推下的自动驾驶也会受到波及。

佚名 ·  1天前
非监督学习最强攻略

本次主要讲解的内容是机器学习里的非监督学习经典原理与算法,非监督,也就是没有target(标签)的算法模型。

SAMshare ·  1天前
PyTorch终于能用上谷歌云TPU,推理性能提升4倍,该如何薅羊毛?

Facebook在PyTorch开发者大会上正式推出了PyTorch 1.3,并宣布了对谷歌云TPU的全面支持,而且还可以在Colab中调用云TPU。

晓查 ·  1天前
500亿参数,支持103种语言:谷歌推出「全球文字翻译」模型

由于缺乏平行数据,小语种的翻译一直是一大难题。来自谷歌的研究者提出了一种能够翻译 103 种语言的大规模多语言神经机器翻译模型,在数据丰富和匮乏的语种翻译中都实现了显著的性能提升。

机器之心 ·  3天前
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载