By 超神經

「對于 2019 年數據科學、機器學習和人工智能，我們做出了 5 個預測。同時還回顧一下去年做的預測，看看有哪些是真的發生了。 」

作者：William Vorhies

DataScienceCentral 編輯部主任; Data-Magnum 總裁兼首席數據科學家; EB5C 主席

對去年預測的快速回顧

預測 1：模型制作和數據準備將變的更加自動化。更大的數據科學運營會集成到一個平臺上。只需少量的數據科學家就能勝任許多工作。

這個猜對了，隨著高級分析平臺上端到端的集成，無代碼的數據科學正在崛起。

預測 2：數據科學會朝著專業化方向發展，而「全棧」的數據科學家將不復存在。

同樣猜對?，F在人們對數據工程師的關注度要高于數據科學家。因為數據工程師更加的實用。

預測 3：非數據科學家比數據科學家更能勝任大量而復雜的分析。

事實如此。從 Data Viz 和 Visual Analytics 的流行，就可以看出，非數據科學家從復雜的數據科學工具中獲得了更多的價值。

預測 4：深度學習困難重重。沒有多少數據科學家熟練能掌握這一領域，這會限制人工智能的應用，除非深度學習平臺更加簡潔化和產品化。

微軟和谷歌都推出了自動深度學習平臺，它們從遷移學習開始，朝著完整的 AutoDL （自動機器學習）發展。此外還有一些集成的 AutoDL 平臺。比如 one clicks. ai，就有的完整的 AutoML 和 AutoDL 平臺。Gartner 最近提名擁有 AutoDL 平臺的 DimensionalMechanics 為「五大潮流公司」。

預測 5：盡管被大肆炒作，但人工智能及深入學習的滲透，以及對市場的影響的廣度和深度都不盡人意。

除了聊天機器人的快速發展， AI 的應用其實很有限。AI 被吹的有些高了，在實際的公司中，真正用到 AI 和機器學習的比例也很小。

預測 6：公眾（和政府）將開始認真研究 AI 的社會和隱私影響。

看看美國政府以及歐盟即的一些動作，就知道這些問題正在受到重視，如加利福尼亞州即將生效的隱私規范，以及澳大利亞的反加密聲明。

沒有懸念的，我們在去年的 6 個預測全都正確。雖然一些看法在今年依然如此，但我們還是嘗試做出更具體一些預測分析。

對 2019 做的預測

預測 1：數據將會比算法更重要

深度學習和經典機器學習算法方面，已有一年多沒有較大突破了。使用的是稍作改進時間卷積網（TCNs），代替掉了 RNN 以減少 NLP 的延遲，但絲毫沒有創新。好的算法要么早有名氣，要么就是能用自動機器學習弄出來。

目前這個時期，擁有大量優質數據是公司實現數字化轉型的關鍵，這同時也衍生出了數據提供方案的競爭和機會，大致有下面幾個方向。

第一個方向是如何獲得準確標記的訓練數據。像 Figure Eight 之類從事標簽數據的公司，正在推廣具有成本效益的智能策略。比如主動學習就能在標記數據和確保模型精度之間作出最佳選擇。

第二個方向是訪問第三方數據。像 DymstData 這樣的服務公司，已經進入該領域作為數百種附加數據提供清算所。他們還承擔著保護敏感 PII 的作用，他們的用戶可以強制執行角色訪問某些敏感信息，這對金融和醫療服務中尤為重要。

第三個方向是自動跟蹤并記錄模型中數據的來源。特別是由多個來源的流數據被集成，而且實時變化時，知道數據來源以及如何使用它，是很重要的一個方面。Tibco 和其他一些分析平臺正在整合此項功能。

預測2：隨著 AI / ML 將分析平臺移至行業或流程特定程序，一切將變得更容易。

縱覽 AI / ML 的創業公司，可以看出競爭正在轉向行業或特定的程序。這些程序或迷你平臺，是專注于解決各種業務中的行業特定問題，如營銷，B2B 銷售，醫療保健，金融科技以及其他定義的分組。

這些新應用程序專注于嵌入 AI / ML ，從而在企業更新時，不需要大型內部數據科學家組的支持，只依賴這些開發人員。

有人稱這為AI / ML的商品化，但更準確地說，這是 AI / ML 的專業化。

這樣的轉型，就像是 90 年代后期 ，從流程改造（Reengineering） 到企業資源規劃（ ERPs ）的轉變。當時 Reengineering 呼吁公司使用復雜的定制開發 IT 解決方案來改進流程，這為 Oracle，PeopleSoft，SAP 等主要集成 ERP 以及 CRM 等企業打開了大門。

新的供應商都致力于在他們的特定市場中提供廣泛的解決方案，但不可避免地最終得出 ERP 規模較小的平臺。

另外還要關注那些沒有大型數據科學團隊，或完全依賴定制開發模型的中型和小型公司，注意它們加快 AI / ML 采用率的問題。

預測3：數據工程師和數據分析師的崛起

這不是說世界已經放棄了數據科學家。還需要一個過程。但當你缺乏某些技能時，市場會以不同的方式填補這種空白。

一種方法是通過上面討論過的行業和流程特定的智能應用，這些應用程序不需要大量的內部數據科學家。

第二種方法是迅速出現的自動機器學習（ AML ）平臺。這在數據科學中更高效，意味著更少的數據科學家可以完成許多工作。

由于模型的數量沒有減少，反而增加了，這會將工作擔子轉移給那些具備兩方面技能的數據工程師。

首先，他能夠創建數據科學所需的基礎架構，如數據湖和 Spark 實例。

其次是采用模型，并確保它們在操作系統中實現，并跟蹤準確性和刷新。

有一些數據工程師還要負責數據操作 ，確保數據流的清潔和預處理。

分析平臺的另一個趨勢是視覺分析和數據可視化工具的發展。現在，這些工具大部分與數據科學工具集完全集成，能讓數據分析師和 LOB 經理提取更多價值，甚至指導分析工作。他們不會取代數據科學家，但強化了高級分析正在團隊里的作用。

預測4：神經形態芯片：AI 與物聯網走向前沿

這兩種不同的技術同時都處于半成熟狀態，以解決長期存在的問題——延遲。

例如，考慮當您想要使用移動設備，將文本或圖像的單詞進行翻譯時，您的設備會將該信號發送回發生到翻譯云中的應用程序，然后再返回到你的設備。

谷歌和其它即時翻譯服務，已經從 RNN 轉移到專門的 CNN 結構，也就是時間卷積網絡，因為 RNN 不能很好適應 MPP，但 CNN 卻可以。這個轉換減少了延遲，但信號還是完整的。

解決此問題的一種技術是 5G 網絡。大家都知道 5G 會很快，但它真正的好處在于可以承載更大的流量。

第二個解決方案是引入新的神經形態芯片（也叫脈沖神經網絡）。這種神經網絡架構可能是實現通用人工智能（ AGI ）的關鍵。但還需要些時日。

當前主要的芯片制造商和一些初創公司，正在研發脈沖神經網絡的專用芯片，針對 CNN 和 RNN 的進行了優化，其中一些還針對極低功耗做了優化。

這些功能結合在一起，會將深度學習轉移到網絡邊緣的芯片上。從今年開始，對于物聯網和其他流媒體數據應用，會怎樣被點燃，就拭目以待吧。

預測5：不同的 AI 框架將相互融合

目前文本，語音，圖像和視頻模型已發展成了主流，但發展還是遇到了很大的障礙。因為在一個框架（如Caffe2，PyTorch，Apache MXNet，Microsoft Cognitive Toolkit 和 TensorFlow ）上構建的模型，無法輕松移植到另一個框架。

幸運的是，這也推動了一些創新之舉。比如 AWS，Facebook 和 Microsoft 合作構建的開放式神經網絡交換平臺（ ONNX ），使模型可以在不同的框架上實現互操作。

隨著開發人員，應用程序和設備之間共享的模型數量增多，ONNX 將會是今年的一項關鍵技術。

這就是對今年情況的一個預測。就等著明年的時候回過頭來，看看這個領域和所想的有什么不同。

總結

以上是生活随笔為你收集整理的对 2018 年 AI 发展预言全中，他们又立了 2019 的 Flag的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。