本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請至雷鋒網(wǎng)官網(wǎng)申請授權(quán)。

根據(jù)Gartner的一項(xiàng)調(diào)查，到2020年底，全球48％的CIO將部署AI。盡管人們對AI和ML持樂觀態(tài)度，但我仍然持懷疑態(tài)度。在可以預(yù)見的未來，我認(rèn)為沒有任何發(fā)明會真正導(dǎo)致生產(chǎn)率和生活水平發(fā)生巨大變化。等待AI/ML格局發(fā)生重大變化的企業(yè)將錯過一些小的發(fā)展。

[[317836]]

以下是一些趨勢，目前可能尚未引起注意，但長期來看會產(chǎn)生重大影響：

1、專用硬件和云服務(wù)提供商正在改變格局

對于企業(yè)而言，熱議內(nèi)部部署和云計(jì)算的日子已經(jīng)一去不復(fù)返了。今天，即使是保守的公司也正在談?wù)撛坪烷_源。這也難怪云平臺正在改進(jìn)其產(chǎn)品以包括AI / ML服務(wù)。

隨著ML解決方案的要求越來越高，CPU和RAM的數(shù)量不再是加速或擴(kuò)展的唯一方法。針對算法優(yōu)化的專用硬件比以往任何時候都要多，無論是GPU、TPU還是“晶圓級引擎”。行業(yè)也向著使用定制化程度更高的硬件解決AI / ML問題的轉(zhuǎn)變將加速。企業(yè)的CPU將主要用于解決最基本的問題。使用ML / AI的通用計(jì)算基礎(chǔ)架構(gòu)面臨被淘汰的風(fēng)險，對于企業(yè)而言這個原因就足以促使其切換到云平臺。

專用芯片和硬件的增加也將促使基于這些硬件算法的改進(jìn)。盡管新的硬件/芯片可能允許使用以前被認(rèn)為是慢或者不可能的AI / ML解決方案，但仍需要重寫許多當(dāng)前為通用硬件提供動力的開源工具，以便從新的芯片中受益。最近的算法改進(jìn)示例包括Sideways，通過并行化訓(xùn)練步驟來加快DL訓(xùn)練；以及Reformer，用于優(yōu)化內(nèi)存使用和計(jì)算能力。

2、針對隱私及其周圍出現(xiàn)的創(chuàng)新解決方案

我還預(yù)見到，對數(shù)據(jù)隱私的關(guān)注將逐漸轉(zhuǎn)向?qū)L模型隱私的關(guān)注。如今AI隱私的關(guān)注重點(diǎn)放在了如何收集數(shù)據(jù)以及如何使用數(shù)據(jù)上。但是ML模型并不是真正的黑匣子?？梢愿鶕?jù)一段時間內(nèi)的輸出推斷模型輸入，這將導(dǎo)致隱私泄露。數(shù)據(jù)和模型隱私方面的挑戰(zhàn)將迫使企業(yè)采用聯(lián)邦學(xué)習(xí)解決方案。

去年，Google發(fā)布了TensorFlow Privacy，該框架在差異化的隱私原理下工作，并且添加噪聲以使輸入模糊不清。通過聯(lián)邦學(xué)習(xí)，用戶的數(shù)據(jù)永遠(yuǎn)不會離開其設(shè)備/機(jī)器。這些機(jī)器學(xué)習(xí)模型足夠智能，并且只需要占用很小的內(nèi)存，可以在智能手機(jī)上運(yùn)行并從本地數(shù)據(jù)中學(xué)習(xí)。

通常，使用用戶提供的數(shù)據(jù)是為了提供更加個性化的體驗(yàn)。例如，Google Mail基于用戶的鍵入行為來提供自動建議。數(shù)據(jù)及模型如何才能不僅有助于改善個人體驗(yàn)，還可以幫助更廣泛的人群呢？人們愿意分享他們訓(xùn)練好的模型（而非數(shù)據(jù)）以造福他人嗎？

這里有一個有趣的商機(jī)：向用戶支付模型參數(shù)費(fèi)用，這些參數(shù)來自對本地設(shè)備上數(shù)據(jù)的訓(xùn)練，并使用本地計(jì)算能力來訓(xùn)練模型（例如，在手機(jī)相對空閑時）。

3、穩(wěn)健的模型部署變得至關(guān)重要

當(dāng)前，企業(yè)正在努力生產(chǎn)可擴(kuò)展性和可靠性兼具的模型。編寫模型的人員不一定考慮到模型安全性以及性能，并且也不一定是模型部署的專家。一旦機(jī)器學(xué)習(xí)模型成為主流和關(guān)鍵應(yīng)用程序不可或缺的一部分，這將不可避免地導(dǎo)致對于主流應(yīng)用程序服務(wù)攻擊的模型。

我們已經(jīng)看到了一些技術(shù)不高的例子，例如：使特斯拉加速而不是減速、切換車道、突然停車或在沒有合適觸發(fā)的情況下打開雨刮器。想像一下此類攻擊可能對高度依賴AI / ML的金融系統(tǒng)，醫(yī)療設(shè)備等產(chǎn)生的影響會如何？

當(dāng)前，對抗性攻擊僅限于學(xué)術(shù)界，以更好地了解模型的含義。但是在不久的將來，對模型的攻擊將是“牟取暴利”，這將由想要展示其性能有所提高的競爭對手或可能會勒索您的惡意黑客驅(qū)使。例如，當(dāng)今新的網(wǎng)絡(luò)安全工具依靠AI/ML來識別諸如網(wǎng)絡(luò)入侵和病毒之類的威脅。如果能夠觸發(fā)虛假威脅警報要怎么辦？識別真實(shí)與虛假警報的相關(guān)成本是多少？

為了應(yīng)對此類威脅，企業(yè)需要更加重視模型驗(yàn)證以確保其穩(wěn)健性。一些企業(yè)已經(jīng)在使用對抗性網(wǎng)絡(luò)來測試深度神經(jīng)網(wǎng)絡(luò)。如今，我們會聘請外部專家來審核網(wǎng)絡(luò)安全性，以及物理安全性等。與此相似，我們將看到模型測試和模型安全專家的新市場的出現(xiàn)，他們將進(jìn)行測試、認(rèn)證，并可能承擔(dān)模型故障的某些責(zé)任。 

接下來怎么樣？

渴望通過AI投資來實(shí)現(xiàn)增長的企業(yè)需要重新審視對其數(shù)據(jù)的影響。我在上面概述的趨勢強(qiáng)調(diào)了企業(yè)在生產(chǎn)中圍繞其AI / ML解決方案實(shí)施強(qiáng)大治理的必要性。但也要注意，假設(shè)您的AI / ML模型是穩(wěn)健的，也可能是冒險的，尤其是當(dāng)它們給平臺提供商留有擺布可能的時候。因此，小時的需求是讓內(nèi)部專家了解模型為何起作用或不起作用。這將是需要保持的趨勢。