人工智能展望

 

　　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。

（编辑：宿州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!