2018年即將結束，著名資料科學網站KDnuggets向眾多機器學習和AI專家徵求關於2018年最重要的發展及其2019年關鍵趨勢預測的意見，向他們提出了一個問題：
以下是Anima Anandkumar、Andriy Burkov、Pedro Domingos、Ajit Jaokar、Nikita Johnson、Brandon Rohrer、Elena Sharova的回答。
Anima Anandkumar
NVIDIA的ML研究主任和Caltech的Bren教授
焦點開始從標準的監督學習轉向更具挑戰性的機器學習問題，如半監督學習、領域適應、主動學習和生成模型。GAN繼續受到研究人員的歡迎，他們正在嘗試更加艱鉅的任務，如照片真實感（bigGAN）和視訊到視訊合成。開發了替代的生成模型（例如神經渲染模型）以在單個網路中組合生成和預測以幫助半監督學習。研究人員將深度學習的應用擴充套件到許多科學領域，如地震預測、材料科學、蛋白質工程、高能物理和控制系統。在這些情況下，領域知識和約束與學習相結合。例如，為了改善無人機的自主著陸。
2019年預測—“人工智慧將模擬和現實聯絡起來，變得更安全，更具物理意識”
我們將看到開發新的領域適應技術，以便將知識從模擬無縫轉移到現實世界。使用模擬將有助於我們克服資料稀缺性並加快新領域和問題的學習。使AI從模擬到實際資料（Sim2real）將對機器人技術、自動駕駛、醫學成像和地震預報等產生重大影響。模擬是解決自動駕駛等安全關鍵應用中所有可能情況的好方法。內建於複雜模擬器中的知識將以新穎的方式使用，以使AI更具物理意識，更強大，並能夠推廣到新的和看不見的場景。
Andriy Burkov
Gartner的機器學習團隊負責人
這是他作為一名實踐者的看法，而不是Gartner基於研究的官方宣告。
2018年機器學習和人工智慧的主要發展是什麼？
TensorFlow在學術界輸給了PyTorch，有時谷歌的巨大影響力和影響力可能會使市場處於次優的狀態，因為MapReduce和隨後的hadoop狂熱已經發生了這種情況。Deepfakes（及其與聲音相似）粉碎了最值得信賴的資訊來源：視訊片段。沒有人能再說出這樣的話：我看到那個人說出這些話的視訊，幾十年前我們不再相信印刷文字，但直到現在，視訊還是不可動搖。強化學習以深度學習的形式迴歸是非常意外和酷的！Google代表您致電餐廳並假裝（成功）成為真正的人類的系統是一個非常里程碑。然而，它引發了許多關於道德和人工智慧的問題。個人助理和聊天機器人很快就達到了極限，他們比以往任何時候都好，但不如去年所希望的那麼好。
您對2019年期望的主要趨勢是什麼？
我希望每個人都對今年的AutoML承諾感到興奮。我也期望它失敗（除了一些非常具體和明確定義的用例，如影像識別、機器翻譯和文字分類，其中手工製作的功能不需要或是標準的，原始資料接近於機器期望作為輸入，並且資料是豐富的）。
營銷自動化：利用成熟的生成對抗網路和變分自動編碼器，可以生成數千張相同人物或影像的圖片，這些影像之間的面部表情或情緒差異很小。根據消費者對這些圖片的反應，我們可以製作出最佳的廣告活動。
移動裝置上的實時語音生成與真實人類無法區分。
自動駕駛的計程車將保持在測試/ PoC階段。
Pedro Domingos
華盛頓大學電腦科學與工程系的教授
經過多年的炒作，2018年間，大家對人工智慧過度恐懼。聽媒體甚至是一些研究人員說了以後，你會認為劍橋分析公司干擾了2016年的大選結果，機器人正在接受我們的工作，然後是我們的生活。不僅僅是談話，歐洲和加利福尼亞州已經通過了嚴厲的隱私法，聯合國正在就智慧武器禁令等進行辯論。公眾對人工智慧的看法越來越暗，這既危險又不公平。希望2019年將是理智迴歸。
Ajit Jaokar
牛津大學物聯網課程的首席資料科學家和創造者
2018年，一些趨勢開始發展，自動機器學習是一個，強化學習是另一個。這兩個新生趨勢將在2019年大幅擴充套件。作為我在牛津大學（物聯網資料科學課程）教學的一部分，我看到物聯網越來越多地融入大型生態系統，如自動駕駛汽車、機器人和智慧城市。通過與Dobot的合作，我看到了一種新的機器人技術，即協同機器人（cobots）作為2019年的一個關鍵趨勢。它與之前的裝配線機器人不同，新的機器人將能夠自主並且也能理解情感（在我的課程中我們也與情感研究實驗室合作在這方面）。最後，有一個有爭議的觀點：在2019年，我們所知道的資料科學家的角色將傾向於從研究轉向產品開發。我認為人工智慧與下一代資料產品的建立密切相關，資料科學家的角色將相應改變。
Nikita Johnson
RE.WORK的創始人
我們在2018年目睹的一個發展是開放源工具數量的增加，這些工具降低了進入門檻，使所有人都能更容易地訪問AI，以確保加強組織之間的協作。這些社群對於確保人工智慧在社會和企業的所有領域的傳播至關重要。
同樣，在2019年，我們將看到關注“人工智慧”的公司數量有所增加，這是基於谷歌最近宣佈的“AI for Social Good program計劃“，以及微軟的”AI for Good計劃“。隨著社會要求公司擁有更高的社會目標，這種將人工智慧轉化為積極影響的行為正在獲得牽引力。
Brandon Rohrer
Facebook的資料科學家
2018年機器學習和人工智慧的主要發展是什麼？
2018年的一個重要發展是資料科學教育機會的擴散和成熟。線上課程是原始的資料科學教育場所，它們在各個層面繼續受歡迎，每年都有更多的學生、變體和主題。
在學術界，新的資料科學碩士課程正以每年約十幾個的速度開始。我們的高等院校正在響應公司和學生的請求，為資料相關領域提供專門的計劃。（今年，我和18位行業合作者，11位學術貢獻者，建立了一個虛擬行業顧問委員會，以幫助支援這種爆炸式增長。）在非正式的一端，教程部落格文章無處不在。它們為讀者和作者的資料科學的集體理解做出了巨大貢獻。
您對2019年期望的主要趨勢是什麼？
在2019年及以後，學術資料科學計劃將成為收集第一個資料科學職位所需的基線技能的更常見方式。這是件好事。受認證的機構將填補長期的空白。到目前為止，資料科學資格已經在很大程度上通過以前的工作經驗證明。這會建立一個Catch-22。新資料科學家無法展示他們的資格，因為他們從未有過資料科學工作，他們無法獲得資料科學工作，因為他們無法展示他們的資格。教育機構的證書是打破這一迴圈的一種方式。
Elena Sharova
ITV的高階資料科學家
2018年機器學習和人工智慧的主要發展是什麼？
在我看來，2018年將通過以下三個事件在AI和ML社群中被記住。
首先，歐盟全球資料保護條例（GDPR）的開始旨在提高個人資料使用的公平性和透明度。該規定揭示了個人控制其個人資料和獲取其使用資訊的權利，但也引起了對法律解釋的一些混淆。迄今為止的最終結果是，許多公司認為自己是合規的，對資料處理做了一些表面上的改變，忽略了重新設計資料儲存和處理基礎設施的基本需求。
其次，還有劍橋Analytica醜聞，它給整個資料科學（DS）社群蒙上陰影。如果之前的辯論主要是關於確保AI和ML產品的公平性，那麼這個醜聞就會引發更深層次的倫理問題。對Facebook參與的最新調查意味著它不會很快消失。隨著資料科學領域的成熟，這些發展將在許多行業中發生，超越政治。有些人會更悲慘，比如亞利桑那州的Uber自駕車案他們之後會受到強烈反響的公眾反應。技術就是力量，力量就是責任。正如諾姆喬姆斯基所說：“只有在民間故事，兒童故事和知識分子的期刊中才能明智地使用權力來摧毀邪惡。現實世界教導了非常不同的課程，並且需要故意和專注的無知才能感知到它們。“
最後，從更積極的方面來看，亞馬遜最新開發的自己的伺服器處理器晶片意味著我們可能會越來越接近雲端計算的一般訪問不再是成本問題。
您對2019年期望的主要趨勢是什麼？
資料科學家的角色和職責不僅僅是建立能夠實現準確預測的模型。對於ML、AI和DS從業者而言，2019年的主要趨勢將是遵循既定軟體開發實踐的日益增長的責任，特別是在測試和維護方面。資料科學的最終產品必須與公司技術堆疊的其餘部分共存。有效執行和維護專有軟體的要求將適用於我們構建的模型和解決方案。這意味著最好的軟體開發實踐將支援我們需要遵循的機器學習規則。
資訊來源：https://www.kdnuggets.com/2018/12/predictions-machine-learning-ai-2019.html