2019年機器學習：追蹤人工智慧發展之路

作者｜Hussain Fakhruddin

編譯｜專知

整理｜Yingying，李大囧

摘要：“智慧助理”的時代已經到來了。機器學習已經成為全球數字化轉型的關鍵要素之一 ,在企業領域，機器學習用例的增長在過去幾年中也是顯著的。預計機器學習工具和解決方案的企業級採用率將在本十年結束前達到65％ - 並且支出將達到460億美元（根據IDC報告）。平均而言，55％的企業CIO已將機器學習視為業務加速的核心優先事項之一。在這裡，我們將重點介紹2019年機器學習將如何繼續發展。

機器學習的新用例即將出現

今年早些時候，美國陸軍宣佈將使用定製的機器學習軟體工具用於戰鬥車輛的預測性維護。換句話說，機器學習將能夠預測車輛可能需要何時以及何種型別的維修服務。另一個有趣的機器學習用例是根據之前股票收益的記錄預測股市波動。最近的一項研究表明，用機器學習預測股票市場具有60％以上的準確度。在醫療健康領域，機器學習模型被用於估計一個人的死亡概率（在這種情況下的準確率遠遠超過90％）。零售，營銷和銷售以及工業/製造業場景也常有機器學習的用例出現。 “閱讀”和“解釋”過去的資料並預測未來 - 這是機器學習的本質而技術肯定會越來越精緻。

注意：人工智慧應用程式和機器學習工具的概念不再侷限於機器人。相反，它們已成為業務工作流程和日常應用程式的自然擴充套件。

採用'針對機器學習優化的硬體'將會出現

2019年很可能是特別準備的矽晶片 - 具有定製人工智慧和機器學習功能 - 成為主流，至少對於企業而言。在可預見的未來，人工智慧優化硬體市場將繼續快速增長。一系列新的，功能強大的處理裝置將會出現 - 我們還可以看到高階CPU和GPU。總而言之，這些工具和平臺將大大增強機器學習硬體的可用性。

雲端計算與機器學習結合

到2020年，全球雲端計算市場的年增長率約為25％。企業中機器學習的日益普及是推動這一激增的關鍵因素。為了成功實施“機器學習文化”，企業必須比以往更加關注創新 - 特別強調改進的雲託管和基礎設施引數。隨著時間的推移，越來越多的“人工智慧專用工具和系統”必須儲存在雲上 - 後者需要具有足夠的安全性和可用性標準。強大，可擴充套件的雲支援將幫助企業從機器學習無縫轉移到深度學習，為終端使用者提供更大價值，並提高他們的ROI資料。

注意：從2019年開始，一般使用者將開始更清楚地瞭解人工智慧和機器學習流程的工作原理 。鑑於人工智慧正在其存在的領域（例如：醫學科學）的關鍵性質，人們想要知道技術如何得出其結論/預測是很自然的。

繼續推進膠囊網路

神經網路的優點是，它們通常不考慮選擇物件的相對方向或位置。因此，可能會出現“資訊差距”。而膠囊網路就是為了而生的。它們很可能在2019年及以後取代許多傳統的神經網路。在效能方面，這些膠囊網路比傳統的神經網路系統更具優勢 - 具有更準確的模式檢測功能，而且在少量資料時，錯誤概率也大大降低。更重要的是 - 膠囊網路也不需要重複訓練迭代，以“理解”變化。

注意：基於機器學習演算法的高階醫療保健模組，用於比較患者的醫學影像和其他醫療影像，已經在使用。生物製藥公司阿斯利康（AstraZeneca）計劃廣泛使用機器人和機器學習 - 用於在中國開發智慧診斷系統。

人工智慧助手的興起和崛起

Siri和Google智慧助理以及Alexa已經成為我們日常生活的一部分，而更重要的是，每個頂級“智慧助手”都在逐年變得更加聰明（基於5000個一般性問題，Siri設法回答了大約31％，其中近80％是正確答案;在同一項調查中，Google智慧助理回答了超過67％的問題，準確度低於88％。隨著機器學習範圍的擴大，人工智慧助手已準備好超越智慧家居。從明年開始，現代和起亞將開始在其新車型中提供內建的人工智慧虛擬助手系統。這些助手將能夠執行無數的任務 - 從遠端家庭和汽車控制功能（通過語音）到目的地建議（基於先前的偏好）和導航指南。在所有生活範圍內，具有機器學習功能的“智慧助手”將使生活變得前所未有的簡單。

注意：智慧聊天機器人（具有人工智慧）也正在迅速崛起。但是，有必要保持警惕 - 因為訓練資料集中的偏差會對使用者體驗造成嚴重損害。微軟的'Tay'聊天機器人就是這種失敗的典型例子。

開發人員將專注於使用機器學習解決更多“真正的問題”

當涉及到諸如人工智慧（多用途無人機和自動監控攝像頭以及自動駕駛汽車等）等技術時，它很容易過火。然而，重要的是要意識到 - 雖然所有這些事情都可以成為現實 - 但是，成熟的資料驅動型生態系統的步驟必須是漸進和系統化的。在2019年，應用程式開發人員和人工智慧專家將關注使用機器學習來成功解決真正的重要需求（個人和業務） - 而不是簡單地製作新的深度學習工具原型。換句話說，開發人員必須明白人工智慧和機器學習不僅僅是幾個技術流行語 - 如果實施得當，他們的潛力可能是無窮無盡的。目前還有許多其他技術正在爭奪注意力（如4d列印），除非人工智慧的發展解決了實際問題，否則投資者可能會開始尋找其他地方。將“人工智慧 overhype”與“人工智慧事實”分開是至關重要的，並根據後者採取行動。

注意：在最近的一項研究中，發現89％的CIO計劃在其業務中實施機器學習工具和應用程式。

機器人的世界？

智慧機器人在工作場所的作用正逐漸增加 - 而機器學習的改進是其主要原因。在日本，到2025年，人工智慧機器人將提供四分之三的老年人護理服務 - 取代人類照顧者。天元服裝 - 一家中國的T恤公司 - 計劃在其阿肯色州工廠使用“縫紉機器人”。一般而言，許多勞動密集型任務（特別是不需要太多專業技能的重複性活動）將在不久的將來由“智慧機器人”執行。除了使工作流程更智慧，提高可用性和可靠性以及縮短產品上市時間外，機器學習驅動的機器人還可以顯著降低運營成本（以及外包成本，如果有的話）。提高生產率應該是工作場所全面採用人工智慧的直接結果。

注意：機器學習也可以在精準農業中發揮重要作用。用於農業的智慧電杆，具有深根感測器和專用機器學習模組，可以幫助農民做出更明智的決策。

語音技術脫穎而出

ComScore是否預測到2020年將有50％的搜尋活動由語音提供支援，這一點還有待觀察 - 但是，語音識別（以及基於此的互動）已經成為一個重要的事實是無法擺脫的機器學習的要素。與早期的語音技術不同，現今的語音識別誤位元速率低於5％ - 這比可用的更多。互動式語音應答（IVR）系統變得比以往任何時候都更加智慧 - 由於迭代學習，基於語音的機器學習系統能夠轉錄各種語言/口音。開發人員推出支援語音技術的移動應用程式的趨勢預計也將在2019年獲得進一步的發展勢頭。亞馬遜Alexa和Google Home等助手已經理解了我們的語音命令 - 他們正在為更多此類平臺鋪平道路。進入市場。

注意：傳統的，適合的客戶服務主管也逐漸被虛擬角色所取代。後者提供更快速的響應 - 並且由於對話是智慧的（虛擬代理從之前的對話中學習），因此個人觸控不會丟失。

美國和中國的人工智慧市場 - 大戰？

就人工智慧研究和收養而言，北美傳統上一直是領跑者。然而，這種束縛正在變得越來越弱 - 中國市場正在成為一股強有力的力量。 2017年，人工智慧創業公司在中國的股權融資份額高於美國同行（48％對38％）。中國的人工智慧啟動場景是整體的（不像北美市場的輕微碎片） - 重點是物流，智慧城市專案，零售，醫療保健，智慧農業和其他領域。在深度學習方面，中國顯然正在削弱它 - 釋出的患者數量比美國多6倍。根據報告，中國希望到2020年與美國人工智慧相媲美，並在十年內成為無可爭議的機器學習技術領導者。看看美國與中國在未來幾年內爭奪全球人工智慧 / 機器學習霸權的競爭將會非常有趣。

注意：開發人員不再依賴第三方API，而是越來越多地轉向為機器學習應用程式製作自己的API。有許多開發人員友好的裝配工具包和移動SDK，以提供必要的幫助。

更多的機器學習平臺（還有更好的平臺？）

像TensorFlow，H2O，人工智慧-one和Torch這樣的平臺已經在如何在不同場景中部署機器學習功能方面發揮重要作用。在即將到來的這一年中，我們可以期待更強大的機器學習平臺 - 具有頂尖的分析，分類和預測功能。這些平臺的容量與其他API一起使用，大資料也將繼續改進。機器學習的不斷髮展為計算機和移動裝置提供了更快“學習”和更好地“解釋/分析”資料的機會。

注意：人工智慧 / 機器學習應用程式也在促進自動化決策管理實踐。 Informatica和UiPath就是很好的例子。

徹底改變人類與技術互動的方式

他們目前可能只出現在少數幾個地方- 但'無收銀員亞馬遜Go'商店正在徹底改變購物的概念。事實上，到2021年，僅在美國就有2000多家“亞馬遜Go”商店。我們與智慧事物（特別是）和技術打交道，互動，生活的方式（總的來說）正在被人工智慧＆機器學習革命所塑造。無論是企業還是社會或智慧家居 - 深度學習都將擾亂我們的生活，確保全面提升效率。通過人工智慧，科幻電影和我們的想象力似乎已經成為可能。這裡的關鍵是該技術對不同型別用例的適應性。 機器學習正在解決問題並提供價值 - 而這正是它越來越受歡迎的原因。

注意：用於戰爭的“殺手機器人”的開發可能是令人震驚的。最近的一份報告預測，人工智慧在軍事應用方面不斷增加的投資很可能導致2040年至2050年之間的核戰爭。

NLP變得更加微妙

作為人工智慧的子領域，自然語言處理（NLP）的重要性在過去幾年中顯著增加。自然語言生成主要用於將資料轉換為文字，是許多深度學習系統的關鍵特徵 - 並且用於編寫詳細的市場摘要或報告 - NLP非常方便。自然語言處理的準確度也不斷提高，並且自動化系統能夠以無縫方式傳達思想。 Cambridge Semantics和Attivio是一些著名的提供NLP服務的公司。

注意：NLP模組通常需要分析三個方面：語法，語義和上下文。隨著機器學習領域的更多進展和新的應用領域被挖掘出來，人工智慧專家（而不是技術通才）的需求將繼續增長。有一些灰色地帶 - 比如大規模失業的前景和可能會進行侵入性監視 - 但可以肯定地說，2019年將成為機器學習的重要一年。 AI-as-a-Service的時代已經到了！

來源：人工智慧學家