2020年趋势一览：AutoML、联邦学习、云寡头时代的终结

作者 | Roberto Sannazzaro，Ben Longstaff

译者 | 夕颜

出品 | AI科技大本营（ID:rgznai100） 

【导读】在 2020 年来临之际，新年前夕往往是人们回顾过去一年并展望来年的好时机。

 

本文将深入探讨了关于 AI 的技术和非技术方面的趋势，讨论一下相对较新的趋势，如AutoML、AI 道德等，因为这些趋势正逐渐与越来越多的公司和用户息息相关。

简单回顾下2019年：

在 2019 年，英特尔、高通和英伟达等大型芯片制造商发布了专门设计用于仅执行基于 AI 应用程序的芯片，主要用于计算机视觉领域、自然语言处理和语音识别。

 

              英伟达开发的 Jetson Nano Dev Kit

 

谷歌发布了 TensorFlow 2.0，扩展了对 Node.js 上 TensorFlow 的支持，与 iOS 集成，并最终将其高级 API 正式更改为 Keras，使移动性和 PWA（Project Web Access）成为首选。

 

此外，BERT 模型演进为 DistilBERT 和 FastBert，计算机视觉算法达到了可以非常精确地执行大多数消费端任务的水平。

 

DeepMind 和 OpenAI 之类的大型公司进一步突破了强化学习的边界，该领域正在见证在现实世界中的首次应用。

 

最后但重要的一点是，Keras 的创建者 FrançoisChollet 发表了一篇论文，提出了一种基准化 AI模型的新方法。

然而，2020年我们有哪些期待？

自动化机器学习（AutoML）：

具有执行 ETL 任务，进行数据预处理和转换的能力，AutoML 很有可能在 2020 年变得更加流行。

 

AutoML 技术可以处理整个机器学习过程，诸如 auto-sklearn 之类的程序包可以自动进行模型选择，超参数优化和评分，而其他云提供商已经提供了服务的“自动仪表盘”替代方案：Amazon Forecast 可以自动确定最适合数据的算法，Google 也提供类似的服务 Cloud AutoML。

              基本上，一切都变成了REST API（应用编程接口）

 

尽管乍看之下，这似乎主要是针对那些不太了解 AI 的用户，但这些类型的服务也为高级用户提供了很好的机会：AutoML 模型可以用作基准，可以用来评估花费时间使用不同的技术开发不同的模型是否有意义。

AI之死：

你能说出如今有哪家公司会用类似的标题做广告吗：“现在使用计算机！”，“也可以在互联网上使用！”，“我们使用传真！”？

 

             

你还记得这个吗？

 

可能不会吧。我仍然记得今年年初，有一些广告厂商在宣传他们的智能手机及其 AI 摄像头。好吧，以后不会有了。现在，很多消费类应用程序、车辆和家用电器上已经具有使用某种 AI 的嵌入式功能。我们（消费者）会习惯的。热词“ AI”将逐渐淡出人们的事业，但会变成消费者习以为常的 AI 功能。

联邦机器学习：

早在 2017 年，Google 引入了分布式学习的概念，该方法使用去中心化的数据对模型进行部分或全部训练。

              

在计算机上训练基准模型，然后将模型交付给最终用户，最终用户可以访问数据（在他的手机、笔记本电脑、平板电脑上），这些数据可用于微调和模型个性化。

 

试想一下，如果一个模型要处理一些高度敏感数据：提供该模型的公司可以访问为它们专门准备的经过清理的数据。

 

一旦基准模型满足某些要求，就可以将模型交付给客户端，客户端可以继续进行训练，而无需与外部参与者共享任何用户数据。

 

如前所述，TensorFlow 2.0 支持其他平台，例如 iOS、Node.js 等，原因之一可能是使这种设想成为可能，从而为公司提供了一个用于构建、传输、训练和优化的多平台工具。此外，诸如Docker 和 Kubernetes 之类的平台还提供了扩展和协调相对复杂环境的部署的可能性，从而使联邦机器学习成为可能。

              

联邦学习的另一个示例：你的手机可以在本地对模型进行个性化设置。汇总（B）用户更新并形成对共享模型的共识更改C。

 

云寡头时代的终结：

云计算在 2019 年变得越来越流行，许多人从“我们将永远不会与他们共享我们的数据”变了想法，“好吧，也许我们可以尝试一下”。

              平板电脑可以控制这样的冷却系统吗？

 

随着云厂商的规模、数量，客户和产品的增加，市场开始从寡头垄断转向开放竞争的局面，这意味着云厂商正在逐渐失去做价者的能力。现在已经实现在不同的云厂商之间分配资源，而 2020年将是多云市场跟踪器等产品之年，人们判断云厂商的指标将不再仅限于其定价计划，而且还有他们为用户提供服务的方式：这个厂商是否有兴趣让我使用更多或更少的资源？他们会影响我将所有内容存储在云中，还是可以有不同的数据分配解决方案？

              

Deepfakes影响扩大

Photoshop 让我们怀疑在网上看到照片的合法性。Deepfakes 正在对视频做着同样的事。

 

美国官方对 Deepfakes 对 2020 年大选对 Facebook 高管的影响表示担忧。预计 Deepfake 将会影响 2020 年的美国总统选举。这将加剧社交媒体公司、发布者与平台之间的矛盾。为了打击假新闻，发布方将创建数字资产审核注册中心，以打击假新闻。到 2024 年，社交媒体平台需要验证内容的真实性。

 

在世界许多地方，复仇色情是非法的。Deepfake 复仇色情片将很难被起诉，因为其来源很难证实。一旦政客家属受害，媒体平台将被视为发布方。

 

无人车采用进程放缓

 

由于法规的限制，无人车采用进程将放缓，最终资本将胜出，运输成本接近零。Netscape 为Amazon，Google 和 Facebook 提供了平台，无人驾驶汽车将成为新的平台。当送货成本降为零时，它将开辟如今看来没有意义的新商业模式，例如：

• 移动食品制备，你点的披萨在到达时就可以做好。

• 预测性运输，在下订单之前就将产品送出。

• 适合上班族的移动办公室。

• 按需触达低利用率物品。

 

即时制造原则将催生即时消费。

可解释、负责、可说明且符合道德的AI：

在 2019 年，我们对可解释 AI（XAI）进行了艰难的尝试，包括一系列鼓励算法的可解释性和可重复性的实践。这种趋势与机器学习和深度学习在许多不同领域和不同公司中的应用方式不同。

 

模型不再是（也不应该是）黑匣子，其结果的每个决定都必须可以解释。

               

这种趋势引发了对可数据化的需求，使得我们能够理解可解释性和（人类）可说明性的边界，并能够回答以下问题：“这符合我们的使命和价值观吗？”。

 

此外，应用机器学习技术来解决可能排除或歧视某些用户的任务的公司必须关注他们对模型决策的法律和道德责任。

结论

简答回顾下趋势清单，得到如下结论：

• “被嵌入”的人工智能：专门为特定任务而设计的小型硬件组件。

• 人工智能正在变得（越来越）可迁移：多平台支持、标准化和可复现性。

• François Chollet 的 AI 基准测试新方法可能会成为下一次机器智能的图灵测试，其论文的第3 章详细说明了该框架(https://arxiv.org/pdf/1911.01547.pdf)。

 

原文链接：

https://towardsdatascience.com/a-distilled-list-of-ai-trends-for-2020-e2fc83a9b092

https://medium.com/swlh/9-predictions-for-2020-2029-555312fc69fc

（*本文为AI科技大本营原创文章，转载请微信联系1092722531）

◆

精彩推荐

◆

点击阅读原文，或扫描文首贴片二维码

所有CSDN 用户都可参与投票和抽奖活动

加入福利群，每周还有精选学习资料、技术图书等福利发送

推荐阅读

• 想知道与你最般配的伴侣长什么样？这个“夫妻相”生成器要火

• 代替Mask R-CNN，BlendMask欲做实例预测任务的新基准？
  

• 300多局点，数据接入量超过2TB/S，华为用AI优化数据中台 | BDTC 2019

• 达摩院 2020 预测：感知智能的“天花板”和认知智能的“野望”

• 十大新兴前端框架大盘点

• 门限签名技术火了，它的硬核之处绝不仅仅是秘密共享……

• 2020 年，陆奇 59 岁：我给 20、30、40 岁年轻人的建议



你点的每个“在看”，我都认真当成了AI