By 超神經(jīng)

「對于 2019 年數(shù)據(jù)科學、機器學習和人工智能，我們做出了 5 個預(yù)測。同時還回顧一下去年做的預(yù)測，看看有哪些是真的發(fā)生了。 」

作者：William Vorhies

DataScienceCentral 編輯部主任; Data-Magnum 總裁兼首席數(shù)據(jù)科學家; EB5C 主席

對去年預(yù)測的快速回顧

預(yù)測 1：模型制作和數(shù)據(jù)準備將變的更加自動化。更大的數(shù)據(jù)科學運營會集成到一個平臺上。只需少量的數(shù)據(jù)科學家就能勝任許多工作。

這個猜對了，隨著高級分析平臺上端到端的集成，無代碼的數(shù)據(jù)科學正在崛起。

預(yù)測 2：數(shù)據(jù)科學會朝著專業(yè)化方向發(fā)展，而「全棧」的數(shù)據(jù)科學家將不復(fù)存在。

同樣猜對。現(xiàn)在人們對數(shù)據(jù)工程師的關(guān)注度要高于數(shù)據(jù)科學家。因為數(shù)據(jù)工程師更加的實用。

預(yù)測 3：非數(shù)據(jù)科學家比數(shù)據(jù)科學家更能勝任大量而復(fù)雜的分析。

事實如此。從 Data Viz 和 Visual Analytics 的流行，就可以看出，非數(shù)據(jù)科學家從復(fù)雜的數(shù)據(jù)科學工具中獲得了更多的價值。

預(yù)測 4：深度學習困難重重。沒有多少數(shù)據(jù)科學家熟練能掌握這一領(lǐng)域，這會限制人工智能的應(yīng)用，除非深度學習平臺更加簡潔化和產(chǎn)品化。

微軟和谷歌都推出了自動深度學習平臺，它們從遷移學習開始，朝著完整的 AutoDL （自動機器學習）發(fā)展。此外還有一些集成的 AutoDL 平臺。比如 one clicks. ai，就有的完整的 AutoML 和 AutoDL 平臺。Gartner 最近提名擁有 AutoDL 平臺的 DimensionalMechanics 為「五大潮流公司」。

預(yù)測 5：盡管被大肆炒作，但人工智能及深入學習的滲透，以及對市場的影響的廣度和深度都不盡人意。

除了聊天機器人的快速發(fā)展， AI 的應(yīng)用其實很有限。AI 被吹的有些高了，在實際的公司中，真正用到 AI 和機器學習的比例也很小。

預(yù)測 6：公眾（和政府）將開始認真研究 AI 的社會和隱私影響。

看看美國政府以及歐盟即的一些動作，就知道這些問題正在受到重視，如加利福尼亞州即將生效的隱私規(guī)范，以及澳大利亞的反加密聲明。

沒有懸念的，我們在去年的 6 個預(yù)測全都正確。雖然一些看法在今年依然如此，但我們還是嘗試做出更具體一些預(yù)測分析。

對 2019 做的預(yù)測

預(yù)測 1：數(shù)據(jù)將會比算法更重要

深度學習和經(jīng)典機器學習算法方面，已有一年多沒有較大突破了。使用的是稍作改進時間卷積網(wǎng)（TCNs），代替掉了 RNN 以減少 NLP 的延遲，但絲毫沒有創(chuàng)新。好的算法要么早有名氣，要么就是能用自動機器學習弄出來。

目前這個時期，擁有大量優(yōu)質(zhì)數(shù)據(jù)是公司實現(xiàn)數(shù)字化轉(zhuǎn)型的關(guān)鍵，這同時也衍生出了數(shù)據(jù)提供方案的競爭和機會，大致有下面幾個方向。

第一個方向是如何獲得準確標記的訓(xùn)練數(shù)據(jù)。像 Figure Eight 之類從事標簽數(shù)據(jù)的公司，正在推廣具有成本效益的智能策略。比如主動學習就能在標記數(shù)據(jù)和確保模型精度之間作出最佳選擇。

第二個方向是訪問第三方數(shù)據(jù)。像 DymstData 這樣的服務(wù)公司，已經(jīng)進入該領(lǐng)域作為數(shù)百種附加數(shù)據(jù)提供清算所。他們還承擔著保護敏感 PII 的作用，他們的用戶可以強制執(zhí)行角色訪問某些敏感信息，這對金融和醫(yī)療服務(wù)中尤為重要。

第三個方向是自動跟蹤并記錄模型中數(shù)據(jù)的來源。特別是由多個來源的流數(shù)據(jù)被集成，而且實時變化時，知道數(shù)據(jù)來源以及如何使用它，是很重要的一個方面。Tibco 和其他一些分析平臺正在整合此項功能。

預(yù)測2：隨著 AI / ML 將分析平臺移至行業(yè)或流程特定程序，一切將變得更容易。

縱覽 AI / ML 的創(chuàng)業(yè)公司，可以看出競爭正在轉(zhuǎn)向行業(yè)或特定的程序。這些程序或迷你平臺，是專注于解決各種業(yè)務(wù)中的行業(yè)特定問題，如營銷，B2B 銷售，醫(yī)療保健，金融科技以及其他定義的分組。

這些新應(yīng)用程序?qū)Ｗ⒂谇度?AI / ML ，從而在企業(yè)更新時，不需要大型內(nèi)部數(shù)據(jù)科學家組的支持，只依賴這些開發(fā)人員。

有人稱這為AI / ML的商品化，但更準確地說，這是 AI / ML 的專業(yè)化。

這樣的轉(zhuǎn)型，就像是 90 年代后期 ，從流程改造（Reengineering） 到企業(yè)資源規(guī)劃（ ERPs ）的轉(zhuǎn)變。當時 Reengineering 呼吁公司使用復(fù)雜的定制開發(fā) IT 解決方案來改進流程，這為 Oracle，PeopleSoft，SAP 等主要集成 ERP 以及 CRM 等企業(yè)打開了大門。

新的供應(yīng)商都致力于在他們的特定市場中提供廣泛的解決方案，但不可避免地最終得出 ERP 規(guī)模較小的平臺。

另外還要關(guān)注那些沒有大型數(shù)據(jù)科學團隊，或完全依賴定制開發(fā)模型的中型和小型公司，注意它們加快 AI / ML 采用率的問題。

預(yù)測3：數(shù)據(jù)工程師和數(shù)據(jù)分析師的崛起

這不是說世界已經(jīng)放棄了數(shù)據(jù)科學家。還需要一個過程。但當你缺乏某些技能時，市場會以不同的方式填補這種空白。

一種方法是通過上面討論過的行業(yè)和流程特定的智能應(yīng)用，這些應(yīng)用程序不需要大量的內(nèi)部數(shù)據(jù)科學家。

第二種方法是迅速出現(xiàn)的自動機器學習（ AML ）平臺。這在數(shù)據(jù)科學中更高效，意味著更少的數(shù)據(jù)科學家可以完成許多工作。

由于模型的數(shù)量沒有減少，反而增加了，這會將工作擔子轉(zhuǎn)移給那些具備兩方面技能的數(shù)據(jù)工程師。

首先，他能夠創(chuàng)建數(shù)據(jù)科學所需的基礎(chǔ)架構(gòu)，如數(shù)據(jù)湖和 Spark 實例。

其次是采用模型，并確保它們在操作系統(tǒng)中實現(xiàn)，并跟蹤準確性和刷新。

有一些數(shù)據(jù)工程師還要負責數(shù)據(jù)操作 ，確保數(shù)據(jù)流的清潔和預(yù)處理。

分析平臺的另一個趨勢是視覺分析和數(shù)據(jù)可視化工具的發(fā)展。現(xiàn)在，這些工具大部分與數(shù)據(jù)科學工具集完全集成，能讓數(shù)據(jù)分析師和 LOB 經(jīng)理提取更多價值，甚至指導(dǎo)分析工作。他們不會取代數(shù)據(jù)科學家，但強化了高級分析正在團隊里的作用。

預(yù)測4：神經(jīng)形態(tài)芯片：AI 與物聯(lián)網(wǎng)走向前沿

這兩種不同的技術(shù)同時都處于半成熟狀態(tài)，以解決長期存在的問題——延遲。

例如，考慮當您想要使用移動設(shè)備，將文本或圖像的單詞進行翻譯時，您的設(shè)備會將該信號發(fā)送回發(fā)生到翻譯云中的應(yīng)用程序，然后再返回到你的設(shè)備。

谷歌和其它即時翻譯服務(wù)，已經(jīng)從 RNN 轉(zhuǎn)移到專門的 CNN 結(jié)構(gòu)，也就是時間卷積網(wǎng)絡(luò)，因為 RNN 不能很好適應(yīng) MPP，但 CNN 卻可以。這個轉(zhuǎn)換減少了延遲，但信號還是完整的。

解決此問題的一種技術(shù)是 5G 網(wǎng)絡(luò)。大家都知道 5G 會很快，但它真正的好處在于可以承載更大的流量。

第二個解決方案是引入新的神經(jīng)形態(tài)芯片（也叫脈沖神經(jīng)網(wǎng)絡(luò)）。這種神經(jīng)網(wǎng)絡(luò)架構(gòu)可能是實現(xiàn)通用人工智能（ AGI ）的關(guān)鍵。但還需要些時日。

當前主要的芯片制造商和一些初創(chuàng)公司，正在研發(fā)脈沖神經(jīng)網(wǎng)絡(luò)的專用芯片，針對 CNN 和 RNN 的進行了優(yōu)化，其中一些還針對極低功耗做了優(yōu)化。

這些功能結(jié)合在一起，會將深度學習轉(zhuǎn)移到網(wǎng)絡(luò)邊緣的芯片上。從今年開始，對于物聯(lián)網(wǎng)和其他流媒體數(shù)據(jù)應(yīng)用，會怎樣被點燃，就拭目以待吧。

預(yù)測5：不同的 AI 框架將相互融合

目前文本，語音，圖像和視頻模型已發(fā)展成了主流，但發(fā)展還是遇到了很大的障礙。因為在一個框架（如Caffe2，PyTorch，Apache MXNet，Microsoft Cognitive Toolkit 和 TensorFlow ）上構(gòu)建的模型，無法輕松移植到另一個框架。

幸運的是，這也推動了一些創(chuàng)新之舉。比如 AWS，Facebook 和 Microsoft 合作構(gòu)建的開放式神經(jīng)網(wǎng)絡(luò)交換平臺（ ONNX ），使模型可以在不同的框架上實現(xiàn)互操作。

隨著開發(fā)人員，應(yīng)用程序和設(shè)備之間共享的模型數(shù)量增多，ONNX 將會是今年的一項關(guān)鍵技術(shù)。

這就是對今年情況的一個預(yù)測。就等著明年的時候回過頭來，看看這個領(lǐng)域和所想的有什么不同。

總結(jié)

以上是生活随笔為你收集整理的对 2018 年 AI 发展预言全中，他们又立了 2019 的 Flag的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。