自動化、硬件、模型開發等方面的新發展將在2020年塑造人工智能。

O'Reilly公司副總裁Roger Magoulas介紹了自動化、硬件、工具、模型開發等方面的新發展，這些趨勢將在2020年塑造(或加速)人工智能的發展。

[[313544]]

1.有跡象表明人工智能的應用正在加速

人們將會看到，人工智能領域正準備加速采用，其驅動因素包括更復雜的人工智能模型投入生產，增加人工智能能力的專業硬件，以便基于更大的數據集提供更快的結果，簡化的工具可以使對整個人工智能堆棧的訪問民主化，使人工智能能夠在幾乎任何設備上運行的小型工具，以及云計算訪問允許從任何地方訪問人工智能資源的人工智能工具。

集成來自多個來源的數據、復雜的業務和邏輯挑戰，以及使數據更有用的競爭激勵，所有這些都將人工智能和自動化技術從可選項提升到必需。人工智能過程具有獨特的功能，能夠處理越來越多樣化的自動化任務，這些任務與傳統的程序邏輯和編程所能處理的不同，例如圖像識別、總結、標記、復雜的監控和響應。

實際上在2019年調查中，超過一半的受訪者表示，人工智能(特別是深度學習)將成為其未來項目和產品的一部分，大多數公司已開始采用機器學習。

2.數據和人工智能之間的界限越來越模糊

為了保持競爭力，數據科學家至少需要掌握機器學習和深度學習。同時，當前的人工智能系統依賴于需要大量數據的模型，因此人工智能專家將需要高質量的數據以及安全有效的數據管道。隨著這些學科的融合，數據專業人士將需要對人工智能有基本的了解，而人工智能專家將需要堅實的數據實踐基礎，并且可能需要對數據治理做出更正式的承諾。

3.正在開發新的和更簡單的工具、基礎設施和硬件

人們處于機器學習的高度經驗時代。機器學習開發工具需要考慮數據、實驗、模型搜索、模型部署和監視日益增長的重要性。同時，隨著開源框架和庫、云平臺、專有軟件工具和SaaS的不斷發展的生態系統，管理人工智能開發的各個階段變得越來越容易。

4.新的模式和方法正在出現

雖然深度學習繼續推動許多有趣的研究，但大多數端到端解決方案是混合系統。2020年，人們將更多地了解其他組件和方法的重要作用，包括貝葉斯和其他基于模型的方法、樹搜索、進化、知識圖、仿真平臺等。人們還期望看到強化學習的新用例出現。人們可能會開始看到機器學習方法的令人興奮的發展，而不是基于神經網絡。

5.新的發展促成新的應用

計算機視覺和語音/語音(“眼睛和耳朵”)技術的發展有助于推動新產品和服務的創造，這些產品和服務可以制作個性化定制尺寸的服裝，驅動自動收獲機器人，或為熟練的聊天機器人提供邏輯。機器人(“手臂和腿”)和自動駕駛汽車的研究引人注目，并且更接近市場。

新一輪的創業浪潮也瞄準了“傳統數據”，采用新的人工智能和自動化技術。這包括文本(新的然語言處理和自然語言理解解決方案;聊天機器人)、時間序列和時間數據、事務數據和日志。

傳統的企業軟件供應商和初創企業都在爭先恐后地開發針對特定行業或領域的人工智能應用程序。這與麥肯錫公司最近的一項調查結果一致：企業在已經投資于基本分析的領域使用人工智能。

6.在所有數據都有內在偏差的前提下處理公平性

從軟件質量保證世界的線索來看，那些在人工智能模型上工作的人需要假定他們的數據有內置的或系統的偏見以及與公平性關的其他問題，例如軟件中存在錯誤的假設，需要正式的過程來檢測、糾正和解決這些問題。

發現偏見和確保公平并非易事，而且在從不同角度進行審查和確認時最為有效。這就意味著，要建立有目的的多樣性，以發現不公平和偏見的過程，認知多樣性、社會經濟多樣性、文化多樣性、身體多樣性，幫助改進過程，并減少錯過重要內容的風險。

7.機器欺騙仍然是一個嚴峻的挑戰

深度偽造(Deepfakes)表明，自動檢測系統可以尋找：不自然的眨眼模式、不一致的照明光線、面部扭曲、嘴唇動作和言語之間的不一致以及缺乏微小而獨特的面部運動(例如，美國總統特朗普在回答問題前是如何抬起嘴唇的)。

但是，Deepfakes技術越來越好。隨著新形式的機器欺騙的出現，必須盡快開發自動檢測方法。但是自動檢測可能還不夠。檢測模型本身可以用來保持檢測器的領先地位。例如，在發布一種發現不自然的閃爍模式的算法的幾個月內，下一代的Deepfake生成器已將閃爍功能集成到其系統中。

一些程序可以在拍攝或更改圖像時自動水印和識別圖像，或者使用區塊鏈技術驗證來自可信來源的內容，這可能是一個局部修復，但隨著Deepfakes的改進，對數字內容的信任度降低。可能制定了法規，但是通往有效法規而不干擾創新的道路還很遙遠。

8.為了充分利用人工智能技術，企業需要重新培訓員工

隨著人工智能工具變得更容易使用，人工智能用例激增，人工智能項目被部署，跨職能團隊被拉入人工智能項目。傳統數據團隊以外的員工需要具備數據素養。事實上，調研機構Gartner預計，到2020年，將有80%的組織開始實施內部數據素養計劃以提高其員工的技能。

但是培訓是一項持續的工作，為了成功地實施人工智能和機器學習，企業需要采取一種更全面的方法來重新培訓他們的員工。對于許多企業來說，這可能是最困難但最有回報的過程。團隊有機會定期加入一個更廣泛的社區，以看到成功的人工智能實現和解決方案的廣泛領域，這也是至關重要的。

再培訓還意味著重新考慮多樣性。加強和擴展多樣性對于檢測公平和偏見問題的重要性，對于希望成功實施真正有用的人工智能模型和相關技術的組織而言，多樣性變得尤為重要。正如人們期望的那樣，大多數人工智能項目會增加人工任務，以一種廣泛包容的方式融入人工元素成為廣泛接受和成功的關鍵因素。