2022年值得關注的5個AI趨勢 – thenewstack

趨勢 1：大型語言模型 (LLM) 定義下一波對話式 AI
語言模型是基於自然語言處理技術和演算法來確定給定單詞序列在句子中出現的機率，這些模型可以預測句子中的下一個單詞，總結文字資訊，甚至可以從純文字建立視覺化圖表。
大型語言模型 (LLM) 在包含大量資料的海量資料集上進行訓練。Google 的BERT和 OpenAI 的GPT-2和GPT-3是 LLM 的一些例子。眾所周知，GPT-3 在 570 GB 的文字上訓練了 1750 億個引數。這些模型可以生成從簡單的論文到複雜的金融模型的任何東西。

包括OpenAI、Hugging Face、Cohere、AI21 Labs在內的AI 初創公司正在透過訓練具有數十億引數的模型來突破 LLM 的界限。
華為的PanGu-Alpha和百度的Ernie 3.0 Titan接受了包括電子書、百科全書和社交媒體在內的 TB 級中文資料集的訓練。
2022 年，我們將看到大型語言模型成為下一代對話式 AI 工具的基礎。
 

趨勢二：多模態人工智慧的興起
深度學習演算法傳統上專注於從一種資料來源訓練模型。例如，

• 計算機視覺模型在一組影像上進行訓練
• 而 NLP 模型在文字內容上進行訓練
• 語音處理處理聲學模型建立、喚醒詞檢測和噪聲消除。

趨勢 3：簡化和流線型 MLOps
機器學習操作 (MLOps) 或將機器學習應用於工業生產的實踐非常複雜！
MLOps 是已納入基於雲的 ML 平臺的概念之一，例如Amazon Web Services的Amazon SageMaker、Azure ML和Google Vertex AI。但是，這些功能不能用於混合和邊緣計算環境。因此，邊緣的監控模型被證明是企業面臨的重大挑戰。在處理計算機視覺系統和對話式 AI 系統時，邊緣監控模型變得更具挑戰性。
由於Kubeflow和MLflow等開源專案的成熟，MLOps 變得相當容易獲得。未來幾年，將出現一種流線型和簡化的 MLOps 方法，涵蓋雲和邊緣計算環境。
 

趨勢 4：AI 驅動的低程式碼開發
人工智慧將影響 IT 的程式設計和開發。

• 在過去幾年中，我們看到了諸如Amazon Code Guru之類的工具，它們提供智慧建議以提高程式碼質量並識別應用程式中最昂貴的程式碼行。
• 最近，Github Copilot作為“AI 結對程式設計師”首次亮相，幫助開發人員編寫高效的程式碼。
• Salesforce 研究團隊推出了CodeT5，這是一個開源專案，將幫助 Apex 開發人員進行 AI 驅動的編碼。
• Tabnine，前身為 Codata，為主流開發環境帶來了智慧程式碼完成。
• Ponicode是另一個 AI 驅動的工具，可以為函式建立、視覺化和執行單元測試。

趨勢五：新型垂直化人工智慧解決方案

Amazon Connect和Google Contact Center AI是垂直整合的經典例子。兩者都利用機器學習功能來執行智慧路由、由機器人驅動的對話以及對聯絡中心代理的自動協助。

• AWS Panorama 連線到現有的 IP 攝像頭以執行基於計算機視覺的推理。客戶可以在雲中訓練新模型並將它們部署在部署 Panorama 裝置的邊緣。
• Azure Percept 採用類似的方法在邊緣提供計算機視覺和對話式 AI 功能。微軟基於 Azure 上已有的現有物聯網、人工智慧和邊緣計算服務構建了 Percept。
• Amazon Lookout for Equipment和Google Cloud Visual Inspection AI等服務利用基於雲的 AI 平臺來執行裝置的預測性維護和產品中的異常檢測。