摘要：我們隊年的預(yù)測基本正確，當(dāng)中有些預(yù)測趨勢也可以用于新的一年，下面繼續(xù)看到對年數(shù)據(jù)科學(xué)機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的預(yù)測。

作者：William Vorhies
CDA數(shù)據(jù)分析研究院原創(chuàng)作品, 轉(zhuǎn)載需授權(quán)?

2018年剛剛結(jié)束，在2019年到來之際，讓我們一起展望在今年數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)和人工智能領(lǐng)域會有怎樣的發(fā)展趨勢。

首先讓我們快速回顧一下，去年我們曾做出了哪些預(yù)測。

2018年預(yù)測回顧

預(yù)測1

模型生產(chǎn)和數(shù)據(jù)準(zhǔn)備都將越來越自動化。

大型的數(shù)據(jù)科學(xué)操作將集中在一個平臺上。這兩種趨勢都是為了提高效率，從而讓更少的數(shù)據(jù)科學(xué)家完成更多工作。

結(jié)果

預(yù)測正確。 無代碼數(shù)據(jù)科學(xué)和端對端集成平臺都處于上升發(fā)展階段。

預(yù)測2

數(shù)據(jù)科學(xué)將繼續(xù)專業(yè)化，意味著全棧型數(shù)據(jù)科學(xué)家將消失。

結(jié)果

是的。如今比起數(shù)據(jù)科學(xué)家，數(shù)據(jù)工程師更受關(guān)注。數(shù)據(jù)工程師是那些讓數(shù)據(jù)科學(xué)模型在現(xiàn)實中發(fā)揮作用的人。

預(yù)測3

非數(shù)據(jù)科學(xué)家將比數(shù)據(jù)科學(xué)家執(zhí)行更多復(fù)雜的分析。

結(jié)果

這是真的。Data Viz和Visual Analytics等技術(shù)作為橋梁，讓非數(shù)據(jù)科學(xué)家能夠從復(fù)雜的數(shù)據(jù)科學(xué)工具中獲取更多價值。

預(yù)測4

深度學(xué)習(xí)很復(fù)雜。很少有數(shù)據(jù)科學(xué)家掌握剛領(lǐng)域的技能，這將阻礙人工智能的應(yīng)用，直到深度學(xué)習(xí)平臺得到更為簡化和產(chǎn)品化。

結(jié)果

微軟和谷歌都在2018年推出了自動化深度學(xué)習(xí)平臺。這些平臺從轉(zhuǎn)移學(xué)習(xí)開始，但正朝著完整自動化深度學(xué)習(xí)發(fā)展。同時也還有一些集成自動深度學(xué)習(xí)平臺。OneClick.AI有完整的自動化機(jī)器學(xué)習(xí)和自動化深度學(xué)習(xí)平臺。

預(yù)測5

盡管有大肆宣傳和炒作，但人工智能和深度學(xué)習(xí)在各大市場中滲透的速度和廣度都比你想象更慢更窄。

結(jié)果

除了聊天機(jī)器人的出現(xiàn)，人工智能在商業(yè)中的實際應(yīng)用非常有限。他們來了，但還沒有。在我知道最全面的研究表明，在大型公司中，只有五分之一到三分之一的公司在大規(guī)模實施人工智能。在較小的公司中，這個比例要小得多。而且我們不確定哪些是否是“真正的”人工智能。

預(yù)測6

政府將開始認(rèn)真看待人工智能對社會和隱私的影響，無論是有意的還是無意的。

結(jié)果

只要看到這方面的新聞就會發(fā)現(xiàn)，政府在針對這方面出臺相關(guān)的監(jiān)管機(jī)制。對人工智能設(shè)計的隱私等方面進(jìn)行規(guī)定。

我們隊2018年的預(yù)測基本正確，當(dāng)中有些預(yù)測趨勢也可以用于新的一年，下面繼續(xù)看到對2019年數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的預(yù)測。

2019年預(yù)測

預(yù)測1：

數(shù)據(jù)變得比算法更重要

我們已經(jīng)有一年多美元在深度學(xué)習(xí)和機(jī)器學(xué)習(xí)方面取得任何重大突破了。當(dāng)中也有一些漸進(jìn)式的改進(jìn)，比如使用時間卷積網(wǎng)（TCN）而不是RNN來減少NLP的延遲，但沒有很大的新創(chuàng)新。性能最佳的算法很有名，或者可通過自動機(jī)器學(xué)習(xí)輕松發(fā)現(xiàn)。

目前，隨著公司開始實現(xiàn)數(shù)字化轉(zhuǎn)型，擁有更多更好的數(shù)據(jù)是成功的關(guān)鍵。實際上，這為同時想多個方向提供數(shù)據(jù)相關(guān)解決方案的提供了競爭機(jī)會。

一個方面，獲得準(zhǔn)確標(biāo)記的圖像或文本的訓(xùn)練數(shù)據(jù)仍然非常昂貴且耗時。Figure Eight這樣專注于標(biāo)記數(shù)據(jù)的公司正在推廣智能的成本效益策略，比如Active Learning，讓你在標(biāo)記數(shù)據(jù)和模型準(zhǔn)確性之間取得最佳權(quán)衡。這涉及多次迭代，添加人工標(biāo)記或機(jī)器標(biāo)記的數(shù)據(jù)，然后重新訓(xùn)練以找到最佳方案。

第二個方面是訪問第三方數(shù)據(jù)。像DymstData這樣的服務(wù)公司已經(jīng)進(jìn)入該領(lǐng)域，作為數(shù)百種附加數(shù)據(jù)的結(jié)算方。他們還承擔(dān)著確保敏感PII受到保護(hù)等服務(wù)，這些信息在金融和醫(yī)療服務(wù)中尤為重要。

第三個方面是自動跟蹤并記錄模型中使用數(shù)據(jù)的來源。特別是當(dāng)不同來源的流數(shù)據(jù)被集成，且隨時間變化時，知道其來源以和使用方式對準(zhǔn)確性和合規(guī)性都是至關(guān)重要的。Tibco和其他分析平臺正在整合此功能。

圍繞數(shù)據(jù)的服務(wù)產(chǎn)品在今年將大幅擴(kuò)展。

預(yù)測2：

隨著人工智能和機(jī)器學(xué)習(xí)從分析平臺轉(zhuǎn)移到行業(yè)或流程特定應(yīng)用，一切將變得更容易。

縱觀人工智能和機(jī)器學(xué)習(xí)創(chuàng)業(yè)公司，可以看到競爭正在轉(zhuǎn)向行業(yè)或流程特定的應(yīng)用。這些應(yīng)用程序或小型平臺主要解決市場營銷、B2B銷售、醫(yī)療保健、金融技術(shù)等行業(yè)特定問題。

這些新應(yīng)用程序?qū)Ｗ⒂谇度肴斯ぶ悄芎蜋C(jī)器學(xué)習(xí)，從而企業(yè)在進(jìn)行更新和改進(jìn)時，只需依賴這些開發(fā)人員，而無需大型內(nèi)部數(shù)據(jù)科學(xué)家團(tuán)隊。

有人將這稱之為人工智能和機(jī)器學(xué)習(xí)商品化，但更準(zhǔn)確地說，你可以將其視為人工智能和機(jī)器學(xué)習(xí)的專業(yè)化。

如果你熟悉90年代后期從流程再造(Reengineering)到企業(yè)資源計劃(ERP)的過渡，其實這是一回事。最初，流程再造呼吁公司使用復(fù)雜的定制IT解決方案來改進(jìn)流程，因為當(dāng)時還不存在標(biāo)準(zhǔn)化解決方案。這為Oracle、PeopleSoft、SAP等采用集成ERP的企業(yè)帶來了機(jī)遇。我們的行業(yè)目前正在經(jīng)歷同樣的變化。

這些新的企業(yè)都致力于在各自特定領(lǐng)域提供廣泛的解決方案，但不可避免地最終得到不太大的ERP規(guī)模平臺。

還要注意中小型公司中人工智能和機(jī)器學(xué)習(xí)的采用率，這些公司不再需要大型數(shù)據(jù)科學(xué)團(tuán)隊，而可以完全依賴定制的開發(fā)模型。

預(yù)測3：

數(shù)據(jù)工程師和數(shù)據(jù)分析師的崛起

這并不是說數(shù)據(jù)科學(xué)家以及不受歡迎了，遠(yuǎn)非如此。當(dāng)你缺乏某種技能時，市場會以不同的方式填補(bǔ)這種短缺。

一種方法是通過上文討論的行業(yè)和流程特定智能應(yīng)用，這些應(yīng)用程序不需要大量的內(nèi)部數(shù)據(jù)科學(xué)家。

第二種方法是自動機(jī)器學(xué)習(xí)平臺在迅速涌現(xiàn)。這意味著效率的提高，更少的數(shù)據(jù)科學(xué)家能夠完成更多的工作。

模型的數(shù)量沒有減少，而是增加了，這將工作負(fù)荷轉(zhuǎn)移到具備兩方面技能的數(shù)據(jù)工程師上。

第一是能夠創(chuàng)建數(shù)據(jù)科學(xué)所需的基礎(chǔ)架構(gòu)，如數(shù)據(jù)湖和Spark實例。

第二是采用模型，確保模型在操作系統(tǒng)中實現(xiàn)，并跟蹤模型的準(zhǔn)確性和更新。

一些數(shù)據(jù)工程師還負(fù)責(zé)數(shù)據(jù)操作，確保數(shù)據(jù)流干凈和預(yù)處理環(huán)節(jié)。

分析平臺的另一個發(fā)展是視覺分析和數(shù)據(jù)可視化工具的發(fā)展。如今，這些工具大多與數(shù)據(jù)科學(xué)工具集完全集成，讓數(shù)據(jù)分析師和高層能從中提取更多價值，甚至指導(dǎo)分析工作。他們不會取代數(shù)據(jù)科學(xué)家，但強(qiáng)化了高級分析中的團(tuán)隊作用。

預(yù)測4：

神經(jīng)形態(tài)芯片：人工智能與物聯(lián)網(wǎng)走向前沿

兩種不同的技術(shù)同時達(dá)到半成熟階段，從而解決長期存在的延遲問題。

例如，當(dāng)你想用移動設(shè)備自動將文本或圖像外來詞翻譯成其他語言時，你的設(shè)備將信號發(fā)送到云端進(jìn)行翻譯，然后傳回設(shè)備。

谷歌等即時翻譯服務(wù)已經(jīng)從RNN轉(zhuǎn)為專門的CNN結(jié)構(gòu)，稱為時間卷積網(wǎng)，因為RNN 不能很好地適應(yīng)大規(guī)模并行處理，而CNN可以。這樣能夠減少延遲，但仍然保證信號的完整傳輸。

解決這個問題的兩種技術(shù)之一是5G網(wǎng)絡(luò)。5G速度更快，但其真正的好處是能夠承載的流量密度。這能夠讓一切信息都能在互聯(lián)網(wǎng)上傳輸，具體的傳輸量還有待觀察。

第二種解決方案是引入新的且更好的神經(jīng)形態(tài)芯片（又稱脈沖神經(jīng)網(wǎng)絡(luò)）。我們希望這些全新的神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)通用人工智能，雖然這還有很長的路要走。

如今，主要的芯片制造商和幾家初創(chuàng)公司都在發(fā)布現(xiàn)在正在發(fā)布脈沖神經(jīng)芯片，專門針對芯片上的CNN和RNN型號進(jìn)行了優(yōu)化。其中一些還針對極低功耗進(jìn)行了優(yōu)化。

這些特性結(jié)合在一起非常適合將深度學(xué)習(xí)轉(zhuǎn)移到網(wǎng)絡(luò)邊緣的芯片上。從今年開始，隨著這些新功能的出現(xiàn)，物聯(lián)網(wǎng)和其他流媒體數(shù)據(jù)應(yīng)用程序?qū)⒊霈F(xiàn)爆炸式增長。

預(yù)測5：

不同的人工智能框架將學(xué)會相互交流

現(xiàn)在，文本、語音、圖像和視頻模型已成為主流，我們遇到了意想不到的障礙。在一個框架（Caffe2、PyTorch、Apache MXNet、Microsoft Cognitive Toolkit和TensorFlow）上構(gòu)建的模型無法輕松移植到不同的框架。

幸運的是，這個痛點推動了創(chuàng)新。AWS、Facebook和Microsoft合作構(gòu)建了開放式神經(jīng)網(wǎng)絡(luò)交換（ONNX），使模型可以在不同的框架上實現(xiàn)互操作。

隨著開發(fā)人員、應(yīng)用程序和設(shè)備之間共享的模型數(shù)量越來越多，ONNX將成為今年的關(guān)鍵技術(shù)。

以上就是2019年數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的相關(guān)預(yù)測。讓我們拭目以待，期待這些領(lǐng)域在今年的發(fā)展和創(chuàng)新。

https://www.cda.cn/?seo