人們將繼續(xù)看到2019年及以后的機(jī)器學(xué)習(xí)和人工智能相關(guān)技術(shù)的進(jìn)步。亞馬遜、蘋(píng)果、Facebook、谷歌、IBM和微軟等公司正在投資研發(fā)人工智能，這將有助于生態(tài)系統(tǒng)將人工智能接近最終消費(fèi)者。

在2018年，人們目睹了基于機(jī)器學(xué)習(xí)和人工智能的平臺(tái)、工具和應(yīng)用程序的急劇增長(zhǎng)。這些技術(shù)不僅影響了軟件和互聯(lián)網(wǎng)行業(yè)的發(fā)展，還影響了醫(yī)療保健、法律、制造業(yè)、汽車和農(nóng)業(yè)等其他垂直行業(yè)。

人們將繼續(xù)看到2019年及以后的機(jī)器學(xué)習(xí)和人工智能相關(guān)技術(shù)的進(jìn)步。亞馬遜、蘋(píng)果、Facebook、谷歌、IBM和微軟等公司正在投資研發(fā)人工智能，這將有助于生態(tài)系統(tǒng)將人工智能接近最終消費(fèi)者。

以下是2019年人們需要關(guān)注的5種人工智能趨勢(shì)：

(1)人工智能芯片的興起

與其他軟件不同，人工智能十分依賴專用處理器來(lái)對(duì)CPU提供計(jì)算能力的補(bǔ)充。即使是最快和最先進(jìn)的CPU也可能無(wú)法提高人工智能模型的訓(xùn)練速度。在推理時(shí)，該模型需要額外的硬件來(lái)執(zhí)行復(fù)雜的數(shù)學(xué)計(jì)算，以加速對(duì)象檢測(cè)和面部識(shí)別等任務(wù)。

2019年，英特爾、NVIDIA、AMD、ARM和高通等芯片制造商將推出專用芯片，加速執(zhí)行支持人工智能的應(yīng)用程序。這些芯片將針對(duì)與計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理和語(yǔ)音識(shí)別相關(guān)的特定用例和場(chǎng)景進(jìn)行優(yōu)化。來(lái)自醫(yī)療保健和汽車行業(yè)的下一代應(yīng)用將依賴這些芯片為最終用戶提供智能服務(wù)。

2019年也將是亞馬遜、微軟、谷歌和Facebook等超大規(guī)模基礎(chǔ)設(shè)施廠商將增加對(duì)基于現(xiàn)場(chǎng)可編程門(mén)陣列(FPGA)和專用集成電路(ASIC)的定制芯片投資的一年。這些芯片將針對(duì)基于人工智能和高性能計(jì)算(HPC)運(yùn)行現(xiàn)代工作負(fù)載進(jìn)行大量?jī)?yōu)化。其中一些芯片還將協(xié)助下一代數(shù)據(jù)庫(kù)加速查詢處理和預(yù)測(cè)分析。

早期項(xiàng)目是：亞馬遜的Nitro、谷歌Cloud TPU，微軟Project Brainwave、英特爾Myriad X VPU

(2)邊緣的物聯(lián)網(wǎng)和人工智能的融合

在2019年，人工智能在邊緣計(jì)算層將與物聯(lián)網(wǎng)結(jié)合。在公共云中訓(xùn)練的大多數(shù)模型將部署在邊緣。

工業(yè)物聯(lián)網(wǎng)是人工智能的頂級(jí)用例，可以執(zhí)行異常檢測(cè)、根本原因分析和設(shè)備的預(yù)測(cè)性維護(hù)。

基于深度神經(jīng)網(wǎng)絡(luò)的高級(jí)機(jī)器學(xué)習(xí)模型將進(jìn)行優(yōu)化以在邊緣運(yùn)行。他們將能夠處理視頻幀、語(yǔ)音合成、時(shí)間序列數(shù)據(jù)和由攝像機(jī)、麥克風(fēng)和其他傳感器等設(shè)備生成的非結(jié)構(gòu)化數(shù)據(jù)。

物聯(lián)網(wǎng)將成為企業(yè)人工智能的最大驅(qū)動(dòng)力。邊緣設(shè)備將配備基于FPGA和ASIC的專用人工智能芯片。

早期項(xiàng)目是：支持機(jī)器學(xué)習(xí)推理的AWS Greengrass、Azure IoT Edge人工智能工具包、Google Cloud IoT Edge、FogHorn Lightning Edge Intelligence和TIBCO公司的Project Flogo。

(3)神經(jīng)網(wǎng)絡(luò)之間的互操作性成為關(guān)鍵

開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵挑戰(zhàn)之一在于選擇正確的框架。數(shù)據(jù)科學(xué)家和開(kāi)發(fā)人員必須從多種選擇中選擇合適的工具，包括Caffe2、PyTorch、Apache MXNet、Microsoft Cognitive Toolkit和TensorFlow。一旦模型在特定框架中進(jìn)行了訓(xùn)練和評(píng)估，就很難將訓(xùn)練好的模型移植到另一個(gè)框架中。

神經(jīng)網(wǎng)絡(luò)工具箱之間缺乏互操作性阻礙了人工智能的采用。為了解決這一挑戰(zhàn)，AWS、Facebook和Microsoft合作建立了開(kāi)放式神經(jīng)網(wǎng)絡(luò)交換(ONNX)，這使得在多個(gè)框架中重用經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型成為可能。

在2019年，開(kāi)放式神經(jīng)網(wǎng)絡(luò)交換(ONNX)將成為該行業(yè)的重要技術(shù)。從研究人員到邊緣設(shè)備制造商，生態(tài)系統(tǒng)的所有關(guān)鍵參與者都將依賴ONNX作為推理的標(biāo)準(zhǔn)運(yùn)行時(shí)間。

早期項(xiàng)目是：Windows 10附帶運(yùn)行ONNX、英特爾公司支持ONNX的OpenVINO工具包。

(4)自動(dòng)化機(jī)器學(xué)習(xí)將更加突出

從根本上改變基于機(jī)器學(xué)習(xí)的解決方案的一個(gè)趨勢(shì)是AutoML。它將使業(yè)務(wù)分析師和開(kāi)發(fā)人員能夠開(kāi)發(fā)可以解決復(fù)雜場(chǎng)景的機(jī)器學(xué)習(xí)模型，而無(wú)需經(jīng)過(guò)機(jī)器學(xué)習(xí)模型的典型訓(xùn)練過(guò)程。

在處理AutoML平臺(tái)時(shí)，業(yè)務(wù)分析師會(huì)專注于業(yè)務(wù)問(wèn)題，而不是迷失在工作流程中。

AutoML完全適用于認(rèn)知API和自定義機(jī)器學(xué)習(xí)平臺(tái)之間。它提供了正確的自定義級(jí)別，而無(wú)需強(qiáng)迫開(kāi)發(fā)人員完成精心設(shè)計(jì)的工作流程。與通常被視為黑盒子的認(rèn)知API不同，AutoML具有相同程度的靈活性，但自定義數(shù)據(jù)與可移植性相結(jié)合。

早期項(xiàng)目是：DataRobot、Google Cloud AutoML、Microsoft自定義認(rèn)知API、亞馬遜Comprehend的自定義實(shí)體。

(5)人工智能將通過(guò)AIOps使DevOps實(shí)現(xiàn)自動(dòng)化

現(xiàn)代應(yīng)用程序和基礎(chǔ)設(shè)施正在生成日志數(shù)據(jù)，這些數(shù)據(jù)被捕獲以用于索引、搜索和分析。從硬件、操作系統(tǒng)、服務(wù)器軟件和應(yīng)用軟件中獲得的大量數(shù)據(jù)集可以被聚合和關(guān)聯(lián)，以發(fā)現(xiàn)洞察力和模式。當(dāng)機(jī)器學(xué)習(xí)模型應(yīng)用于這些數(shù)據(jù)集時(shí)，IT操作從被動(dòng)轉(zhuǎn)變?yōu)轭A(yù)測(cè)。

當(dāng)人工智能的強(qiáng)大功能應(yīng)用于運(yùn)營(yíng)時(shí)，它將重新定義基礎(chǔ)設(shè)施的管理方式。機(jī)器學(xué)習(xí)和人工智能在IT運(yùn)營(yíng)和DevOps中的應(yīng)用將為組織提供智能。它將幫助運(yùn)營(yíng)團(tuán)隊(duì)進(jìn)行精確和準(zhǔn)確的根本原因分析。

AIOps(智能運(yùn)營(yíng))將在2019年成為主流。公共云供應(yīng)商和企業(yè)將從人工智能和DevOps的融合中受益。

早期項(xiàng)目是： Moogsoft AIOps、Amazon EC2 Predictive Scaling、Azure VM resiliency、Amazon S3 Intelligent Tiering機(jī)器學(xué)習(xí)和人工智能將成為2019年的關(guān)鍵技術(shù)趨勢(shì)。從業(yè)務(wù)應(yīng)用到IT支持，人工智能將對(duì)行業(yè)產(chǎn)生重大影響。