2020年AI发展十大预测
本文参考原文-http://bjbsair.com/2020-03-22/tech-info/2033.html
2019年，全球53%的决策者宣布已经建立了AI数据分析系统，将在他们的公司内部全面发展人工智能。以下是对2020年人工智能的预测。
这些结果是对《财富》500强公司的调查统计得出的。财富500强公司被公认为是美国最赚钱的公司。研究发现，29%的开发者近年来从事过人工智能和机器学习方面的工作。这些发现来自Forrester的一项研究。
有关公司所在IT部门中的54%的决策都是由人工智能处理的，并且产生了预期的良好效果。
实现特定过程的智能自动化。
根据Forrester的数据，25%的500强公司计划实施数百种智能过程自动化(IPA)。换句话说，就是通过人工智能来实现特定任务的自动化。
因此，作为人工智能实现的一部分，包括特定的自动化机器人任务。公司将特别使用文本分析和机器学习来处理输入的电子邮件和文档。实现自动响应或聊天机器人，模仿人类的行为与互联网用户或客户交谈，也称为会话代理。
会话代理
会话代理程序可以很好的节省时间，特别是对于HR员工和IT团队。大数据的处理需要一定的机器学习监控工具。所以需要创建对数据进行分类的算法程序。
分类算法
算法对数据的分类能力越强，人工智能就越能准确的识别出正常的数据，以及异常行为的数据，从而更快地发现问题，及时采取必要的纠正措施。
对自动化过程的投资
Forrester公司认为，这种自动化过程投资的增加，部分原因是由于中国经济的衰退。
中国的经济衰退可能会导致利率上升，这不仅会抑制消费和投资，还会降低企业的市场价值。在科技公司中，市值缩水尤为明显。科技企业的估值高度依赖于长期利润的增长。
定位自动化
企业希望发展这些自动化行业，以确保其服务的效率。报告还指出，这些自动化市场转型起来也更快，而且比需要长期投资的人工智能创新项目转型成本更低。
人工智能基准，竞争力的新武器。随着人工智能市场的不断增长，很难有公认的哪个计算平台作为处理人工智能工作负载的最快、最具可伸缩性、最便宜的平台。因此，行业基准应该发挥越来越重要的作用。
测量基准。
去年，MLPerf基准在竞争力方面脱颖而出。从英伟达(Nvidia)到谷歌，所有的玩家都在这些测试中表现优异。
到2020年，人工智能基准将成为营销战略的一个关键元素，随着时间的推移，这一领域将变得越来越普遍。
在一定程度的质疑面前，发展远远没有减弱。弗雷斯特指出了与人工智能使用相关的一些危险。例如：社交网络上某些算法所产生的虚假信息、面部识别技术带来的大规模技术监控、人脸智能识别算法导致的“深度伪造”视频的泛滥。
Forrester称，所有这些都不会减少2020年企业对人工智能的投资。该报告将证明人工智能的重要性和必要性，并使人工智能的使用变得“透明”。
考虑数据源需求。根据Forrester的研究，人工智能在公司的植入必然会鼓励管理者采取必要的措施，来促进开发人员在机器学习方面的工作。在大多数情况下，公司花费超过70%的时间来维护程序正常运行所必需的所有数据。
SaaS模式的人工智能降低了对数据科学家的需求。自去年以来，来自AWS、微软、谷歌、IBM等供应商提供的机器学习服务势头强劲。
随着人工智能趋势的升温，越来越多的商业用户将依赖这些云提供商来满足他们更多的人工智能需求。云提供商将会降低企业内部聘用数据科学家的需求。
SaaS提供商和人工智能。
到2020年底，SaaS提供商将成为自然语言处理、预测分析和其他人工智能应用的主要提供商。这些人工智能应用程序将包括平台服务和DevOps工具等。
那些将继续实施人工智能计划的公司将进一步自动化数据科学家的角色，因此他们将不需要雇佣新的机器学习建模师、数据工程师和技术支持人员。在未来十年内，大多数数据科学家将主要由SaaS和其他云提供商进行招聘。
持续的学习和实验。每个企业的数字化转型都想找到最合适的学习模型。然而，学习模型需要在真实的环境中进行实验。其中 ML model模型工具将帮助企业自动选择那些能够实现所需结果的测试和模型。
业务流程中的实践。
到2020年底，大多数公司将在所有业务流程中实现人工智能，包括与客户的接触和后端操作。
随着更多的企业向云提供商寻求人工智能工具，AWS最近将建立新的业务迭代模型和跟踪模型。这些新功能都将成为专业应用程序环境中24/7-AI模型的规范。
AI的优秀实践。
在未来十年中，基于AI的自动化和DevOps功能将成为AI业务流程的优秀实践。
开发人员的工作被AI自动化。神经网络是现代人工智能的核心。到2020年，企业数据科学家的工作计划将开始纳入一种基于人工智能的新方法，称为“神经架构研究”，其目的是根据目标自动构建和优化神经网络。
随着神经结构的采用和改进，对神经结构的研究将提高数据科学家的生产率，帮助他们在已有的机器学习算法(如线性回归和随机决策树算法)或任何最新和最先进的神经网络算法的基础上建立模型。
建立人工智能端到端的透明度。
人工智能正在成为企业应用中一个越来越重要的风险因素。随着企业因社会经济偏见、侵犯隐私和人工智能应用程序的其他不良影响而面临的诉讼激增，法律官员将要求对机器学习模型进行全面跟踪，以查明它们是如何建立、训练和管理的，以及它们在企业应用程序中是如何使用的。
到2020年底，大多数公司的法务经理将要求他们的数据科学家团队自动记录机器学习过程的每一步，并用通俗易懂的语言解释每个模型所产生的自动推理。未来10年，人工智能项目的透明度将是获得资金的决定性因素。
在未来几年，几乎所有产品都需要基于人工智能及其端到端的监管。尤其是那些使用个人身份信息的产品将会增加。
除了人工智能发展中对透明度的日益重视之外，现在就断言这些未来法规将对基础平台、工具和技术的发展产生何种影响还为时过早。但无论局势如何发展，这些监管举措似乎只会在未来不断加强。