2018年的AI/ML驚喜及預測19年的走勢（一）

考慮到技術變革的速度，我認爲讓專業IT人士分享他們對2018年最大驚喜及2019年預測的見解會頗有趣。如下是他們對人工智能（AI），機器學習（ ML）和其餘數據科學迭代的見解：

CLARA分析公司首席執行官兼創始人：Chiara Lakshmikanthan

2018年的驚喜：我對AI已經應用於InsureTech行業的快速步伐感到驚訝。但更重要的是，商業保險公司在其工做流程的某些部分（如承保，理賠業務和客戶服務）開始使用AI以保持競爭優點。

2019年的預測：在B2B 的AI領域，人們愈來愈關注硬實力的儲蓄和價值。AI的理論價值主張被普遍接受，可是，大多數公司在將來幾年對AI技術提供商的指望也將更高。

Sinequa產品營銷總監Scott Parker：

雖然圍繞ML和AI進行了大量宣傳，但具備變革性的AI還有不少仍在實驗室中進行測試。

對於2019年，ML和AI最終會以某種方式從實驗室和現有應用程序中找到出路。在大多數狀況下，人們甚至不知道它在那裏，由於它將以無縫的方式嵌入。

數據科學家Minkyung Kang：

驚喜：端到端機器學習服務使ML工做流程變得更加簡單。數據科學家和開發人員能夠在一個地方構建，訓練和管理ML模型，並將模型大規模轉移到生產環境，而無需過多擔憂管道和架構。

預測：在ML工做流程中鏈接和集成不一樣的步驟和流程將獲得進一步改進和簡化，並容許許多初創公司和企業使用更少資源的ML應用程序快速移動。這將進一步擴展到ML的整個生命週期的管理，包括數據收集和管理。

Anaconda的聯合創始人兼首席技術官：Peter Wang

驚喜:Github和Red Hat的收購，Cloudera和Hortonworks的合併也使人驚訝,它標誌着Hadoop「大數據」炒做週期的終結，並清楚地代表分析和ML的將來增加必須針對異構存儲架構。

預測:

「數據科學」做爲一個領域將分紅幾個子專業，包括數據工程，高級統計推斷和解釋器，咱們須要爲它制定標準和最佳實踐。

隨着咱們更多地瞭解國家發展人工智能的力度和用傳感器來完善監控狀態，這將爲更多的數據隱私立法提供動力。

SIOS Technology總裁兼首席執行官：Jerry Melnick

數據分析和人工智能將無處不在：數據分析和人工智能將繼續變得更加專一，專門針對特定問題而構建，這些功能將愈來愈多地嵌入到雲平臺和管理工具中。

例如，用人工智能驅動的基礎設施工具如今被用於分析來自無數監測和管理工具的輸入，許多這些人工智能工具都致力於解決整個IT領域的普遍問題。在2019年這些快速發展，更加專一IT人員遇到的最關鍵的問題及常規和複雜問題。這種備受期待的功能將簡化IT運營，提升基礎架構和應用程序的穩健性，並下降整體成本。

隨着這一趨勢，人工智能和數據分析將天然地嵌入到HA和DR解決方案以及CSP產品中，以加強其運營的穩健性。經過快速，自動和準確地瞭解問題並診斷複雜配置中的問題，從雲提供的關鍵應用程序服務的可靠性和可用性將大大提升。

BISim高級總監：OISkar Nieder

機器學習和深度學習（DL）造成的AI革命在軟件開發行業中繼續受到愈來愈多的關注。隨着圖形處理單元（GPU）加速的引入，之前存在的時間和計算限制被消除，新的易於使用的框架和數據中心將使這些技術在2019年向全部人提供。

Python，C ++和Javascript將在2019年繼續做爲主要編碼語言。然而，對於開發人員來講，體驗TensorFlow或Caffe for AI和Angular或React等Web語言開發的語言框架將變得更加劇要。

Micro Focus戰略總監：Mark Levy

在2019年，AI和ML將與自動化融合，並將完全改變DevOps。在過去的幾年中，自動化在DevOps中的做用繼續成爲更大實踐的一個重要方面。目前，主要的重點是自動化過程或事件驅動的手動可重複任務，但AI/ML顯示變化的新進展即將出現。經過AI和ML的融合，自動化有可能展現史無前例的智能，由於新系統將關注趨勢，以及分析和關聯整個價值流以預測和預防問題。隨着DevOps實踐專一於提升運營效率，ML，AI和自動化即將融合將爲使用DevOps的公司帶來顯着優點。

Micro FocusVertica產品營銷副總裁Joy King

在2019年，ML項目將從科學項目和創新實驗室轉向由行業顛覆者領導的全面生產。事實上，每家公司都有ML項目，但其中大多數都依賴於沒法訪問跟業務目標相關的全部數據的專業平臺。全部數據都存儲在各類數據倉庫和數據庫中，其中沒有一個可以運行端到端ML，迫使數據移動到專業平臺。然而，僅使用一部分數據來訓練和評分ML模型，從而致使精度有限。在2019年，當前的行業顛覆者和智能傳統公司將把ML帶到其全部數據，而不是將其數據轉移到ML平臺上。這些公司將更準確地預測結果，包括醫療設備的預測性維護，基於個性化客戶行爲分析的預測收入，主動檢測欺詐等非服務。

Portworx的聯合創始人兼首席執行官Murli Thirumale

人工智能和自動化將改變IT的經濟方向。即便基礎設施自己變得可編程，大多數DevOps仍然由人驅動。可是數據量增加如此之快，應用程序發展如此之快，這就要求基礎架構必須足夠靈活，這樣纔不會成爲瓶頸。在2019年，基礎設施將變得愈來愈可編程，基於AI的機器將預測存儲和計算需求，並根據網絡情況，工做負載和歷史模式自動分配資源。

NICE解決方案營銷人員Karen Inbar

機器人自動化將創造新的就業機會。隨着機器人過程自動化（RPA）的出現，組織內部正在衍生出新的角色。2019年，更多公司將招聘新的專業職位和角色，如RPA工程師、RPA架構師和RPA顧問，以幫助員工瞭解RPA最佳實踐以及RPA如何強化工做流程。隨着RPA技術在工做場所變得更受歡迎和更具吸引力，「首席機器人官」等新職位也將開始出現。

公司須要選擇自動化哪些流程。2018年的許多自動化項目都失敗了，由於它們選擇了對錯誤的流程進行自動化。在2019年，公司須要更密切地評估任務的時間分配和複雜性，這種自動化任務的戰略性從新肯定優先級將確保組織在數字化轉型工做中推進投資回報率和成功。一旦組織掌握了更簡單的任務的自動化，他們就能夠引入更先進的技術，例如光學字符識別（OCR），使無人值守的機器人可以解釋更多的數據元素。

WekaIO首席技術官Andy Watson

到目前爲止，咱們知道用於ML的數據集每一年都在變大，不只是累積量，還由於信號源（相機、物聯網傳感器、軟件日誌等）的數量愈來愈多。咱們「預測」ML研究人員將利用愈來愈多的功能強大的GPU來處理史無前例的大量數據。但這僅僅是對當前趨勢的觀察，而不是預測。

相反，讓咱們來看看如何使用這些更大的數據體。我能夠經過ML訓練來預測鬆弛參數，以容許軟件減小訓練錯誤，對支持ML計算環境的存儲基礎設施將產生影響。

ML的領導者DeepMind最近發表了一篇重要論文：「關係概括偏見，深度學習和圖形網絡。」一個關鍵點是ML訓練可能會發展出一種更爲徒手的方法，容許其軟件影響其學習途徑的選擇標準（經過推理模式），這將影響數據存儲基礎架構。

在今天的任何大型數據集中，咱們都有一個「工做集」 - 最活躍的數據子集，最多見的是最新數據。例如，在一組ML研究人員可能累積用於培訓的全部許多PB中，他們數據中心的一般狀況是，從較慢的「冷」存儲中只能提高几百TB的總數據庫，所以他們的GPU能夠在「熱」快速存儲層中訪問它。然而，隨着這種大變化，將難以肯定哪一個數據應該是任何給定工做集的成員。相反，將整個事物視爲可能必要的多是適當的。正在進行的各類ML事件中的每個將從全部那些PB中選擇不一樣，而且這將指示全部數據被放置在熱層中。

McAfee的首席技術戰略師Candace Worley

首席分析官（CAO）和首席數據官（CDO）將須要監督AI。當公司擴展AI的使用時，必須作出無數的決定。隱私監管存在影響，但也存在法律，道德和文化方面的影響，咱們須要在2019年建立一個專門的角色，並對AI的使用進行執行監督。在某些狀況下，AI已經表現出不利的行爲，例如種族貌相，不公平地拒絕我的貸款以及錯誤地識別用戶的基本信息。CAO和CDO將須要監督AI培訓，以確保AI決策避免傷害。此外，人工智能必須接受培訓，以處理真正的人類困境，優先考慮司法，問責制，透明度，同時還要檢測黑客攻擊和數據濫用。

可解釋的AI將成爲一項要求，特別是對於金融/銀行和醫療行業。若是AI爲我的的健康或治療提出醫療建議，醫生必須可以解釋用於得出該結論的邏輯和數據。咱們還沒有與人工智能的關係處於某種程度，許多人由於人工智能的推薦而願意接受藥物治療或手術，特別是若是涉及的醫療專業人員沒法解釋其建議的「緣由」。在金融行業，咱們將看到使用自動分析和認知消息，根據客戶需求提供有關股票，債券，房地產和其餘資產的財務指導和投資建議。在這裏，消費者也須要對基於AI的決策進行解釋。

原文連接