2018年，基于机器学习、人工智能的平台、工具和应用快速增加，这些技术不仅仅影响软件和互联网产业，还影响医疗、法律、制造、汽车和农业等垂直行业。
2019年及之后，基于机器学习和人工智能的技术将继续发展，亚马逊、苹果、Facebook、谷歌、IBM和微软等公司，在人工智能研发方面投入巨资，将惠及使人工智能更靠近消费者的生态链。
以下是2019年值得关注的五大人工智能发展趋势：
1）人工智能芯片的兴起
不同于其他软件的是，人工智能严重依赖于与CPU互为补充的专用处理器。即使是速度最快和最先进的CPU，可能都不会提高训练人工智能模型的速度。模型需要额外硬件完成复杂的数学运算，以加速对象探测和人脸识别等任务。
2019年，英特尔、英伟达、AMD、ARM和高通等芯片厂商将发售能加速人工智能应用执行速度的专门芯片。这些芯片将针对与计算机视觉、自然语言理解和语音识别有关的专门使用场景进行优化，来自医疗和汽车等行业的新一代应用，将依靠这些芯片向最终用户提供人工智能功能。
2019年，亚马逊、微软、谷歌和Facebook等超大规模基础架构公司，将增加对基于现场可编程门阵列和特殊用途集成电路的定制芯片的投资，这些芯片将针对运行基于人工智能和高性能计算的现代负荷进行优化。部分这些芯片将用于协助新一代数据库运行，加速查询过程和预测性分析。
2）网络边缘物联网和人工智能的融合
2019年，人工智能和物联网在边缘计算层融合。在公共云中训练的大多数模型，将部署在网络边缘。
工业物联网，是能够完成异常值探测、根本原因分析和设备预测性维护的人工智能的第一大使用场景。
基于深度神经网络的先进机器学习模型将针对在网络边缘运行进行优化，它们将能够处理视频帧、语音合成、时间序列数据，以及由相机、麦克风和其他传感器收集的非结构化数据。
物联网将成为人工智能在企业中普及的最大推动力，边缘设备将集成有基于现场可编程门阵列和特殊用途集成电路的专用人工智能芯片。
3）神经网络的互操作性成为关键
开发神经网络模型面临的关键性挑战之一，在于选择恰当的框架。数据科学家和开发者必须从大量选项中选择恰当的工具，其中包括Caffe2、PyTorch、Apache MXNet、微软Cognitive Toolkit和TensorFlow。一旦模型完成训练，并在专门框架中评估后，就很难移植到其他框架中了。
神经网络工具间缺乏互操作性，将阻碍人工智能的普及。要解决这一挑战，亚马逊、微软和Facebook已经在联合开发开放神经网络交换（以下简称“ONNX”）系统，使得在多个框架中重用经过训练的神经网络模型成为可能。
2019年，ONNX将成为人工智能产业一项必不可少的技术。包括从研究人员到边缘设备厂商在内，人工智能生态系统中的所有各方，都将把ONNX作为人工智能进行推论的标准运行时间库。
4）自动化的机器学习将会兴起
将从根本上改变基于机器学习的解决方案的一个趋势是AutoML，它将使商业分析师和开发者在不需要典型的机器学习模型训练过程的情况下不断改进机器学习模型。
在使用AutoML平台时，商业分析师可以专注于商业问题，而不会被训练过程和工作流绕晕。
AutoML介于认知API（应用编程接口）和定制机器学习平台之间，它可以提供恰当的定制水平，不会迫使开发者涉足具体的工作流。不同于经常被认为是黑盒子的认知API的是，AutoML可以提供相同程度的灵活性，集定制数据和可移植性于一体。
5）人工智能将通过人工智能运维实现开发和运维的自动化
现代应用和基础架构会生成可供索引、搜索和分析的日志数据，这些海量数据来自硬件、操作系统、服务器软件和应用软件，它们可以进行聚合、关联，发现深刻见解和模式。当利用机器学习模型对这些数据进行处理时，IT运维工作将由被动性转化成预测性的。
当人工智能的力量被应用于IT运维时，人工智能将重新定义基础架构的管理方式。当机器学习和人工智能应用于IT运维时，开发和运维将向机构提供人工智能。它将帮助运维团队完成精准的原因分析。
2019年，人工智能运维将成为主流。公共云服务提供商和企业将受益于人工智能和开发/运维的融合。
机器学习和人工智能将成为2019年关键的技术趋势。从商业应用到IT支持，人工智能将对整个产业产生极大影响。
评论 (0)