【一点资讯】中软国际哈尔滨ETC中心:需要关注的2020年8个人工智能趋势


自动化、硬件和模型开发的新发展将在2020年塑造人工智能。

O'Reilly副总裁Roger Magoulas介绍了自动化、硬件、工具、模型开发等方面的新发展。这些趋势将塑造(或加速)2020年人工智能的发展。

1。有迹象表明人工智能的应用正在加速。

人们将会看到人工智能领域正准备加速它的采用。它的驱动因素包括生产更复杂的人工智能模型,以及添加具有人工智能能力的专用硬件,以基于更大的数据集提供更快的结果。简化的工具可以使对整个人工智能堆栈的访问民主化,使人工智能能够在几乎任何设备上运行的小工具,以及允许通过云计算从任何地方访问人工智能资源的人工智能工具。

集成来自多个来源的数据、复杂的业务和逻辑挑战,以及使数据更有用的竞争激励,所有这些都将人工智能和自动化技术从可选提升到了必需。人工智能过程具有独特的功能,可以处理越来越多样化的自动化任务,不同于传统的程序逻辑和编程所能处理的任务,如图像识别、摘要、标记、复杂监控和响应。

事实上,在2019年的调查中,超过一半的受访者表示人工智能(尤其是深度学习)将成为他们未来项目和产品的一部分,大多数公司已经开始采用机器学习。

2。数据和人工智能之间的界限越来越模糊。

为了保持竞争力,数据科学家至少需要掌握机器学习和深度学习。同时,当前的人工智能系统依赖于需要大量数据的模型,因此人工智能专家需要高质量的数据和安全有效的数据管道。随着这些学科的整合,数据专业人员将需要对人工智能有一个基本的了解,而人工智能专家将需要一个坚实的数据实践基础,并且可能需要对数据治理做出更正式的承诺。

3。正在开发新的和更简单的工具、基础设施和硬件。

人们正处于一个经验丰富的机器学习时代。机器学习开发工具需要考虑数据、实验、模型搜索、模型部署和监控的日益增长的重要性。同时,随着开源框架和库、云平台、专有软件工具和SaaS生态系统的不断发展,管理人工智能发展的各个阶段变得越来越容易。

4。新的模型和方法正在出现

虽然深入的学习继续推动许多有趣的研究,大多数端到端的解决方案是混合系统。在2020年,人们将了解更多关于其他组件和方法的重要作用,包括贝叶斯和其他基于模型的方法、树搜索、进化、知识地图、仿真平台等。人们还期望看到强化学习新用例的出现。人们可能开始看到机器学习方法而不是神经网络的令人兴奋的发展。

5。新的发展带来了新的应用:计算机视觉和声音/语音(“眼睛和耳朵”)技术的发展,这些技术有助于促进新产品和服务的创造,这些新产品和服务可以制造个性化和定制的服装,驱动自动收割机器人,或者为熟练的聊天机器人提供逻辑。对机器人(“胳膊和腿”)和自动驾驶汽车的研究很有吸引力,也更接近市场。

新一波创业浪潮也瞄准了“传统数据”,采用了新的人工智能和自动化技术。这包括文本(新的自然语言处理和自然语言理解解决方案;聊天机器人)、时间序列和时间数据、交易数据和日志。

传统的企业软件供应商和初创企业正争先恐后地为特定行业或领域开发人工智能应用。这与麦肯锡最近的一项调查一致:公司在已经投资基础分析的领域使用人工智能。

6。在所有数据都有内部偏差的前提下处理公平性。

从软件质量保证世界的线索来看,那些研究人工智能模型的人需要假设他们的数据有内在的或系统的偏差以及其他与公平相关的问题,例如软件中的错误假设,并且需要正式的过程来检测、纠正和解决这些问题

7.机器欺骗仍然是一个严重的挑战

Deepfakes表明,自动检测系统可以寻找不自然的眨眼模式、不一致的光照、面部扭曲、嘴唇运动和讲话之间的不一致,以及缺乏小而独特的面部运动(例如,美国总统特朗普在回答问题前是如何抬起嘴唇的)。

但是深度假货技术越来越好了。随着新形式的机器欺骗的出现,必须尽快开发出自动检测方法。但是自动检测可能还不够。检测模型本身可以用来保持检测器的领先地位。例如,在发布发现非自然闪烁模式的算法的几个月内,下一代深假发电机已经将闪烁功能集成到它们的系统中。

有些程序可以在拍摄或更改图像时自动添加水印和识别图像,或者使用区块链技术验证来自可信来源的内容。这可能是部分修复,但是随着深度赝品的改进,对数字内容的信任度下降了。也许有法律法规,但通向有效的法律法规而不干扰创新的道路仍然很遥远。

8。为了充分利用人工智能技术,企业需要对员工进行再培训。

随着人工智能工具变得更容易使用,人工智能用例激增,人工智能项目被部署,跨职能团队被引入人工智能项目。传统数据团队以外的员工需要数据素养。事实上,研究机构Gartner预测,到2020年,80%的组织将开始实施内部数据扫盲计划,以提高员工的技能。

但培训是一项持续的工作。为了成功实施人工智能和机器学习,企业需要采取更全面的方法来重新培训员工。对许多企业来说,这可能是最困难但最有回报的过程。同样重要的是,团队有机会定期加入更广泛的社区,以看到各种成功的人工智能实现和解决方案。

再培训也意味着重新考虑多样性。对于希望成功实施真正有用的人工智能模型和相关技术的组织来说,加强和扩大多样性以发现公平和偏见问题的重要性尤其重要。正如人们所期望的,大多数人工智能项目将添加人工任务,并且以包容的方式集成人工元素已经成为广泛接受和成功的关键因素。