2019年机器学习：追踪人工智能发展之路

2019年机器学习：追踪人工智能发展之路

 

https://www.cnblogs.com/DicksonJYL/p/9809748.html

 

 

【导读】“智能助理”的时代已经到来了。机器学习已经成为全球数字化转型的关键要素之一 ,在企业领域，机器学习用例的增长在过去几年中也是显著的。预计机器学习工具和解决方案的企业级采用率将在本十年结束前达到65％ - 并且支出将达到460亿美元（根据IDC报告）。平均而言，55％的企业CIO已将机器学习视为业务加速的核心优先事项之一。在这里，我们将重点介绍2019年机器学习将如何继续发展。

 

机器学习的新用例即将出现

 

今年早些时候，美国陆军宣布将使用定制的机器学习软件工具用于战斗车辆的预测性维护。换句话说，机器学习将能够预测车辆可能需要何时以及何种类型的维修服务。另一个有趣的机器学习用例是根据之前股票收益的记录预测股市波动。最近的一项研究表明，用机器学习预测股票市场具有60％以上的准确度。在医疗健康领域，机器学习模型被用于估计一个人的死亡概率（在这种情况下的准确率远远超过90％）。零售，营销和销售以及工业/制造业场景也常有机器学习的用例出现。 “阅读”和“解释”过去的数据并预测未来 - 这是机器学习的本质而技术肯定会越来越精致。

 

注意：人工智能应用程序和机器学习工具的概念不再局限于机器人。相反，它们已成为业务工作流程和日常应用程序的自然扩展。

 

采用'针对机器学习优化的硬件'将会出现

 

2019年很可能是特别准备的硅芯片 - 具有定制人工智能和机器学习功能 - 成为主流，至少对于企业而言。在可预见的未来，人工智能优化硬件市场将继续快速增长。一系列新的，功能强大的处理设备将会出现 - 我们还可以看到高端CPU和GPU。总而言之，这些工具和平台将大大增强机器学习硬件的可用性。

 

云计算与机器学习结合

 

到2020年，全球云计算市场的年增长率约为25％。企业中机器学习的日益普及是推动这一激增的关键因素。为了成功实施“机器学习文化”，企业必须比以往更加关注创新 - 特别强调改进的云托管和基础设施参数。随着时间的推移，越来越多的“人工智能专用工具和系统”必须存储在云上 - 后者需要具有足够的安全性和可用性标准。强大，可扩展的云支持将帮助企业从机器学习无缝转移到深度学习，为最终用户提供更大价值，并提高他们的ROI数据。

 

注意：从2019年开始，一般用户将开始更清楚地了解人工智能和机器学习流程的工作原理 。鉴于人工智能正在其存在的领域（例如：医学科学）的关键性质，人们想要知道技术如何得出其结论/预测是很自然的。

 

继续推进胶囊网络

 

神经网络的优点是，它们通常不考虑选择对象的相对方向或位置。因此，可能会出现“信息差距”。而胶囊网络就是为了而生的。它们很可能在2019年及以后取代许多传统的神经网络。在性能方面，这些胶囊网络比传统的神经网络系统更具优势 - 具有更准确的模式检测功能，而且在少量数据时，错误概率也大大降低。更重要的是 - 胶囊网络也不需要重复训练迭代，以“理解”变化。

 

注意：基于机器学习算法的高级医疗保健模块，用于比较患者的医学图像和其他医疗图像，已经在使用。生物制药公司阿斯利康（AstraZeneca）计划广泛使用机器人和机器学习 - 用于在中国开发智能诊断系统。

 

人工智能助手的兴起和崛起

 

Siri和Google智能助理以及Alexa已经成为我们日常生活的一部分，而更重要的是，每个顶级“智能助手”都在逐年变得更加聪明（基于5000个一般性问题，Siri设法回答了大约31％，其中近80％是正确答案;在同一项调查中，Google智能助理回答了超过67％的问题，准确度低于88％。随着机器学习范围的扩大，人工智能助手已准备好超越智能家居。从明年开始，现代和起亚将开始在其新车型中提供内置的人工智能虚拟助手系统。这些助手将能够执行无数的任务 - 从远程家庭和汽车控制功能（通过语音）到目的地建议（基于先前的偏好）和导航指南。在所有生活范围内，具有机器学习功能的“智能助手”将使生活变得前所未有的简单。

 

注意：智能聊天机器人（具有人工智能）也正在迅速崛起。但是，有必要保持警惕 - 因为训练数据集中的偏差会对用户体验造成严重损害。微软的'Tay'聊天机器人就是这种失败的典型例子。

 

开发人员将专注于使用机器学习解决更多“真正的问题”

 

当涉及到诸如人工智能（多用途无人机和自动监控摄像头以及自动驾驶汽车等）等技术时，它很容易过火。然而，重要的是要意识到 - 虽然所有这些事情都可以成为现实 - 但是，成熟的数据驱动型生态系统的步骤必须是渐进和系统化的。在2019年，应用程序开发人员和人工智能专家将关注使用机器学习来成功解决真正的重要需求（个人和业务） - 而不是简单地制作新的深度学习工具原型。换句话说，开发人员必须明白人工智能和机器学习不仅仅是几个技术流行语 - 如果实施得当，他们的潜力可能是无穷无尽的。目前还有许多其他技术正在争夺注意力（如4d打印），除非人工智能的发展解决了实际问题，否则投资者可能会开始寻找其他地方。将“人工智能 overhype”与“人工智能事实”分开是至关重要的，并根据后者采取行动。

 

注意：在最近的一项研究中，发现89％的CIO计划在其业务中实施机器学习工具和应用程序。

 

机器人的世界？

 

智能机器人在工作场所的作用正逐渐增加 - 而机器学习的改进是其主要原因。在日本，到2025年，人工智能机器人将提供四分之三的老年人护理服务 - 取代人类照顾者。天元服装 - 一家中国的T恤公司 - 计划在其阿肯色州工厂使用“缝纫机器人”。一般而言，许多劳动密集型任务（特别是不需要太多专业技能的重复性活动）将在不久的将来由“智能机器人”执行。除了使工作流程更智能，提高可用性和可靠性以及缩短产品上市时间外，机器学习驱动的机器人还可以显着降低运营成本（以及外包成本，如果有的话）。提高生产率应该是工作场所全面采用人工智能的直接结果。

 

注意：机器学习也可以在精准农业中发挥重要作用。用于农业的智能电杆，具有深根传感器和专用机器学习模块，可以帮助农民做出更明智的决策。

 

语音技术脱颖而出

 

ComScore是否预测到2020年将有50％的搜索活动由语音提供支持，这一点还有待观察 - 但是，语音识别（以及基于此的交互）已经成为一个重要的事实是无法摆脱的机器学习的要素。与早期的语音技术不同，现今的语音识别误码率低于5％ - 这比可用的更多。交互式语音应答（IVR）系统变得比以往任何时候都更加智能 - 由于迭代学习，基于语音的机器学习系统能够转录各种语言/口音。开发人员推出支持语音技术的移动应用程序的趋势预计也将在2019年获得进一步的发展势头。亚马逊Alexa和Google Home等助手已经理解了我们的语音命令 - 他们正在为更多此类平台铺平道路。进入市场。

 

注意：传统的，适合的客户服务主管也逐渐被虚拟角色所取代。后者提供更快速的响应 - 并且由于对话是智能的（虚拟代理从之前的对话中学习），因此个人触摸不会丢失。

 

美国和中国的人工智能市场 - 大战？

 

就人工智能研究和收养而言，北美传统上一直是领跑者。然而，这种束缚正在变得越来越弱 - 中国市场正在成为一股强有力的力量。 2017年，人工智能创业公司在中国的股权融资份额高于美国同行（48％对38％）。中国的人工智能启动场景是整体的（不像北美市场的轻微碎片） - 重点是物流，智慧城市项目，零售，医疗保健，智能农业和其他领域。在深度学习方面，中国显然正在削弱它 - 发布的患者数量比美国多6倍。根据报告，中国希望到2020年与美国人工智能相媲美，并在十年内成为无可争议的机器学习技术领导者。看看美国与中国在未来几年内争夺全球人工智能 / 机器学习霸权的竞争将会非常有趣。

 

注意：开发人员不再依赖第三方API，而是越来越多地转向为机器学习应用程序制作自己的API。有许多开发人员友好的装配工具包和移动SDK，以提供必要的帮助。

 

更多的机器学习平台（还有更好的平台？）

 

像TensorFlow，H2O，人工智能-one和Torch这样的平台已经在如何在不同场景中部署机器学习功能方面发挥重要作用。在即将到来的这一年中，我们可以期待更强大的机器学习平台 - 具有顶尖的分析，分类和预测功能。这些平台的容量与其他API一起使用，大数据也将继续改进。机器学习的不断发展为计算机和移动设备提供了更快“学习”和更好地“解释/分析”数据的机会。

 

注意：人工智能 / 机器学习应用程序也在促进自动化决策管理实践。 Informatica和UiPath就是很好的例子。

 

彻底改变人类与技术互动的方式

 

他们目前可能只出现在少数几个地方- 但'无收银员亚马逊Go'商店正在彻底改变购物的概念。事实上，到2021年，仅在美国就有2000多家“亚马逊Go”商店。我们与智能事物（特别是）和技术打交道，互动，生活的方式（总的来说）正在被人工智能＆机器学习革命所塑造。无论是企业还是社会或智能家居 - 深度学习都将扰乱我们的生活，确保全面提升效率。通过人工智能，科幻电影和我们的想象力似乎已经成为可能。这里的关键是该技术对不同类型用例的适应性。 机器学习正在解决问题并提供价值 - 而这正是它越来越受欢迎的原因。

 

注意：用于战争的“杀手机器人”的开发可能是令人震惊的。最近的一份报告预测，人工智能在军事应用方面不断增加的投资很可能导致2040年至2050年之间的核战争。

 

NLP变得更加微妙

 

作为人工智能的子领域，自然语言处理（NLP）的重要性在过去几年中显着增加。自然语言生成主要用于将数据转换为文本，是许多深度学习系统的关键特征 - 并且用于编写详细的市场摘要或报告 - NLP非常方便。自然语言处理的准确度也不断提高，并且自动化系统能够以无缝方式传达思想。 Cambridge Semantics和Attivio是一些着名的提供NLP服务的公司。

 

注意：NLP模块通常需要分析三个方面：语法，语义和上下文。随着机器学习领域的更多进展和新的应用领域被挖掘出来，人工智能专家（而不是技术通才）的需求将继续增长。有一些灰色地带 - 比如大规模失业的前景和可能会进行侵入性监视 - 但可以肯定地说，2019年将成为机器学习的重要一年。 AI-as-a-Service的时代已经到了！

 

原文链接：

http://teks.co.in/site/blog/machine-learning-in-2019-tracing-the-artificial-intelligence-growth-path/

 

-END-