年度回顧：2018年的AI/ML驚喜及預測19年的走勢（一） ...

考慮到技術變革的速度，我認為讓專業IT人士分享他們對2018年最大驚喜及2019年預測的看法會很有趣。以下是他們對人工智慧（AI），機器學習（ ML）和其他資料科學迭代的看法：

CLARA分析公司執行長兼創始人：Chiara Lakshmikanthan

2018年的驚喜：我對AI已經應用於InsureTech行業的快速步伐感到驚訝。但更重要的是，商業保險公司在其工作流程的某些部分（如承保，理賠業務和客戶服務）開始使用AI以保持競爭優勢。

2019年的預測：在B2B 的AI領域，人們越來越關注硬實力的儲蓄和價值。AI的理論價值主張被廣泛接受，但是，大多數公司在未來幾年對AI技術提供商的期望也將更高。

Sinequa產品營銷總監Scott Parker：

雖然圍繞ML和AI進行了大量宣傳，但具有變革性的AI還有很多仍在實驗室中進行測試。

對於2019年，ML和AI最終會以某種方式從實驗室和現有應用程式中找到出路。在大多數情況下，人們甚至不知道它在那裡，因為它將以無縫的方式嵌入。

資料科學家Minkyung Kang：

驚喜：端到端機器學習服務使ML工作流程變得更加簡單。資料科學家和開發人員可以在一個地方構建，訓練和管理ML模型，並將模型大規模轉移到生產環境，而無需過多擔心管道和架構。

預測：在ML工作流程中連線和整合不同的步驟和流程將得到進一步改進和簡化，並允許許多初創公司和企業使用更少資源的ML應用程式快速移動。這將進一步擴充套件到ML的整個生命週期的管理，包括資料收集和管理。

Anaconda的聯合創始人兼技術長：Peter Wang

驚喜:Github和Red Hat的收購，Cloudera和Hortonworks的合併也令人驚訝,它標誌著Hadoop“大資料”炒作週期的終結，並清楚地表明分析和ML的未來增長必須針對異構儲存架構。

預測:

“資料科學”作為一個領域將分成幾個子專業，包括資料工程，高階統計推斷和直譯器，我們需要為它制定標準和最佳實踐。

隨著我們更多地瞭解國家發展人工智慧的力度和用感測器來完善監控狀態，這將為更多的資料隱私立法提供動力。

SIOS Technology總裁兼執行長：Jerry Melnick

資料分析和人工智慧將無處不在：資料分析和人工智慧將繼續變得更加專注，專門針對特定問題而構建，這些功能將越來越多地嵌入到雲平臺和管理工具中。

例如，用人工智慧驅動的基礎設施工具現在被用於分析來自無數監測和管理工具的輸入，許多這些人工智慧工具都致力於解決整個IT領域的廣泛問題。在2019年這些快速發展，更加專注IT人員遇到的最關鍵的問題及常規和複雜問題。這種備受期待的功能將簡化IT運營，提高基礎架構和應用程式的穩健性，並降低總體成本。

隨著這一趨勢，人工智慧和資料分析將自然地嵌入到HA和DR解決方案以及CSP產品中，以增強其運營的穩健性。通過快速，自動和準確地瞭解問題並診斷複雜配置中的問題，從雲提供的關鍵應用程式服務的可靠性和可用性將大大提高。

BISim高階總監：OISkar Nieder

機器學習和深度學習（DL）形成的AI革命在軟體開發行業中繼續受到越來越多的關注。隨著圖形處理單元（GPU）加速的引入，以前存在的時間和計算限制被消除，新的易於使用的框架和資料中心將使這些技術在2019年向所有人提供。

Python，C ++和Javascript將在2019年繼續作為主要編碼語言。然而，對於開發人員來說，體驗TensorFlow或Caffe for AI和Angular或React等Web語言開發的語言框架將變得更加重要。

Micro Focus戰略總監：Mark Levy

在2019年，AI和ML將與自動化融合，並將徹底改變DevOps。在過去的幾年中，自動化在DevOps中的作用繼續成為更大實踐的一個重要方面。目前，主要的重點是自動化過程或事件驅動的手動可重複任務，但AI/ML顯示變化的新進展即將出現。通過AI和ML的融合，自動化有可能展示前所未有的智慧，因為新系統將關注趨勢，以及分析和關聯整個價值流以預測和預防問題。隨著DevOps實踐專注於提高運營效率，ML，AI和自動化即將融合將為使用DevOps的公司帶來顯著優勢。

Micro FocusVertica產品營銷副總裁Joy King

在2019年，ML專案將從科學專案和創新實驗室轉向由行業顛覆者領導的全面生產。事實上，每家公司都有ML專案，但其中大多數都依賴於無法訪問跟業務目標相關的所有資料的專業平臺。所有資料都儲存在各種資料倉儲和資料庫中，其中沒有一個能夠執行端到端ML，迫使資料移動到專業平臺。然而，僅使用一部分資料來訓練和評分ML模型，從而導致精度有限。在2019年，當前的行業顛覆者和智慧傳統公司將把ML帶到其所有資料，而不是將其資料轉移到ML平臺上。這些公司將更準確地預測結果，包括醫療裝置的預測性維護，基於個性化客戶行為分析的預測收入，主動檢測欺詐等非服務。

Portworx的聯合創始人兼執行長Murli Thirumale

人工智慧和自動化將改變IT的經濟方向。即使基礎設施本身變得可程式設計，大多數DevOps仍然由人驅動。但是資料量增長如此之快，應用程式發展如此之快，這就要求基礎架構必須足夠靈活，這樣才不會成為瓶頸。在2019年，基礎設施將變得越來越可程式設計，基於AI的機器將預測儲存和計算需求，並根據網路狀況，工作負載和歷史模式自動分配資源。

NICE解決方案營銷人員Karen Inbar

機器人自動化將創造新的就業機會。隨著機器人過程自動化（RPA）的出現，組織內部正在衍生出新的角色。2019年，更多公司將招聘新的專業職位和角色，如RPA工程師、RPA架構師和RPA顧問，以幫助員工瞭解RPA最佳實踐以及RPA如何強化工作流程。隨著RPA技術在工作場所變得更受歡迎和更具吸引力，“首席機器人官”等新職位也將開始出現。

公司需要選擇自動化哪些流程。2018年的許多自動化專案都失敗了，因為它們選擇了對錯誤的流程進行自動化。在2019年，公司需要更密切地評估任務的時間分配和複雜性，這種自動化任務的戰略性重新確定優先順序將確保組織在數字化轉型工作中推動投資回報率和成功。一旦組織掌握了更簡單的任務的自動化，他們就可以引入更先進的技術，例如光學字元識別（OCR），使無人值守的機器人能夠解釋更多的資料元素。

WekaIO技術長Andy Watson

到目前為止，我們知道用於ML的資料集每年都在變大，不僅是累積量，還因為訊號源（相機、物聯網感測器、軟體日誌等）的數量越來越多。我們“預測”ML研究人員將利用越來越多的功能強大的GPU來處理前所未有的大量資料。但這僅僅是對當前趨勢的觀察，而不是預測。

相反，讓我們來看看如何使用這些更大的資料體。我可以通過ML訓練來預測鬆弛引數，以允許軟體減少訓練錯誤，對支援ML計算環境的儲存基礎設施將產生影響。

ML的領導者DeepMind最近發表了一篇重要論文：“關係歸納偏見，深度學習和圖形網路。”一個關鍵點是ML訓練可能會發展出一種更為徒手的方法，允許其軟體影響其學習途徑的選擇標準（通過推理模式），這將影響資料儲存基礎架構。

在今天的任何大型資料集中，我們都有一個“工作集” - 最活躍的資料子集，最常見的是最新資料。例如，在一組ML研究人員可能累積用於培訓的所有許多PB中，他們資料中心的通常情況是，從較慢的“冷”儲存中只能提升幾百TB的總資料庫，因此他們的GPU可以在“熱”快速儲存層中訪問它。然而，隨著這種大變化，將難以確定哪個資料應該是任何給定工作集的成員。相反，將整個事物視為可能必要的可能是適當的。正在進行的各種ML事件中的每一個將從所有那些PB中選擇不同，並且這將指示所有資料被放置在熱層中。

McAfee的首席技術戰略師Candace Worley

首席分析官（CAO）和首席資料官（CDO）將需要監督AI。當公司擴充套件AI的使用時，必須做出無數的決定。隱私監管存在影響，但也存在法律，道德和文化方面的影響，我們需要在2019年建立一個專門的角色，並對AI的使用進行執行監督。在某些情況下，AI已經表現出不利的行為，例如種族貌相，不公平地拒絕個人貸款以及錯誤地識別使用者的基本資訊。CAO和CDO將需要監督AI培訓，以確保AI決策避免傷害。此外，人工智慧必須接受培訓，以處理真正的人類困境，優先考慮司法，問責制，透明度，同時還要檢測黑客攻擊和資料濫用。

可解釋的AI將成為一項要求，特別是對於金融/銀行和醫療行業。如果AI為個人的健康或治療提出醫療建議，醫生必須能夠解釋用於得出該結論的邏輯和資料。我們尚未與人工智慧的關係處於某種程度，許多人因為人工智慧的推薦而願意接受藥物治療或手術，特別是如果涉及的醫療專業人員無法解釋其建議的“原因”。在金融行業，我們將看到使用自動分析和認知訊息，根據客戶需求提供有關股票，債券，房地產和其他資產的財務指導和投資建議。在這裡，消費者也需要對基於AI的決策進行解釋。

本文由阿里云云棲社群組織翻譯。

文章原標題《AI/ML 2019 Predictions (Part 5)》

作者：Tom Smith  譯者：烏拉烏拉，審校：袁虎。

文章為簡譯，更為詳細的內容，請檢視原文。