在软件世界中,2019年将被铭记为容器化,云原生架构和机器学习成为主流的一年。

在我们接近十年末的时候,是时候展望2020年了,并对这些颠覆性技术在未来12个月内将带给我们什么做出一些预测。 继续阅读,以了解在新的十年开始之初,人工智能(AI)和机器学习对增长,创新和采用的期望。

从采用到自动化的转变

马克·安德森(Marc Andreessen)曾有句著名的话:“软件正在吞噬世界”,如今,似乎每个组织都正在成为软件公司的核心。 当然,2020年将带来新的技术趋势,而不适应将意味着企业承担更多的技术债务。 最终将不得不偿还该债务的复利。 因此,我们可能期望看到技术支出发生变化,而不是今年技术采用的增长。 企业预算将继续从IT转移到企业内部,而随着业务价值取代速度成为最有意义的DevOps指标,将有更多的资金用于增加收入的计划。

软件开发和信息技术支出的重点将放在人工智能的实施上。 2020年的主要主题之一将是现有技术的自动化。 自动检测并修复异常值,重复记录和其他缺陷的基于AI的产品,例如Tamr,Paxata和Informatica CLAIRE,将继续获得接受,这是清理大数据和保持大规模质量的唯一方法。

更快的计算能力

AI研究人员才刚刚开始了解人工神经网络的功能以及如何对其进行配置。 这意味着在来年,随着几乎每天的创新和新的问题解决技术的出现,算法的突破将继续以惊人的速度进行。 人工智能可以解决各种各样的难题,这些难题需要寻找见识并做出决策。 但是,如果没有能力理解机器的建议,人们将很难信任该建议。 因此,期望在提高AI算法的透明度和可解释性方面继续取得进展。

来年边缘的AI计算能力肯定会提高。 像英特尔和英伟达这样的老牌公司,以及像Hailo这样的初创公司,都在努力通过定制硬件芯片提供廉价,快速的神经网络处理。 随着行业确定需要更多,更快的计算能力来实时运行机器学习算法,越来越多的机构将开发适合边缘数据源的硬件。

机器学习将成为中小企业的主流

机器学习在2019年实现了巨大的增长,我们只能期望它持续存在并在2020年变得更加普及。 将变得广泛可用 到自然语言处理(NLP)进入黄金时代的中型公司。 现在,在一些NLP任务上,例如在根据故事推断的信息回答问题方面,机器要比人类更好。 BERT是2019年最热门的NLP算法,到2020年底将被遗忘,取而代之的是ERNIE或其他异想天开的新算法。

机器学习还将继续作为几乎所有软件产品类别的组成部分引入,从ERP到CRM到HR,使其成为日常业务管理的主要内容。 此外,Python将增强其作为机器学习语言的选择的地位,降低入门的技术障碍,并使更多的人有机会尝试最新的开源AI算法。

尽管机器学习可以为更广泛的用户群使用,但游戏的名称仍将是数据。 那些可以利用更多信息的人将从其分析模型中获得最大的收益。 由于中国政府收集了如此大量的数据,因此中国将继续在监督学习的准确性方面领先于世界。 为了解决这个问题,可以期望西方世界在需要较少训练数据的算法方面取得先驱,例如主动学习,其中算法要求获得下一个最佳训练数据,以最大程度地提高其学习速度。 借助Amazon SageMaker和Pachyderm之类的AutoML工具,数据培训的效率也将提高,该工具可自动创建和部署新的机器学习模型。

AI和ML中以消费者为中心的解决方案

随着可访问性的增加,采用AI和机器学习的面向消费者的设备数量将随之增加。 数字助理和聊天机器人已成为我们日常生活的主要内容,重新定义了客户服务和家庭互联网连接。 集成了Amazon的Alexa或Google的Assistant的产品将会激增,并且由于消费者仍然忠于其数字助手,智能扬声器的销售将继续繁荣。

在零售领域,店内无摩擦购物的首次推出将开始重新定义行业。 集成的AI将能够训练计算机以识别产品的位置以及消费者放入购物车中的物品。 我们还可能会看到在实体空间中使用增强现实技术,从而可以引导顾客穿过商店。 由于AI和计算机视觉技术可以在客户购物时无缝地识别购物并为其开账单,因此零售将过渡到无结帐柜台等摩擦点的客户体验,并创建不受干扰的零售现实。 无摩擦购物技术在2020年尚无法为大规模推出做好准备,但有望在试用地点取得进展。

最后,尽管我们希望新的一年能为我们带来完美的无人驾驶汽车,但自动驾驶在2020年将不再是我们的现实。为自动驾驶汽车系统提供动力的机器学习算法仍然存在太多根本性缺陷,值得我们完全信赖。 例如,停车标志可以用肉眼看不见的像素来增强,但会导致机器学习算法将其读取为“速度限制40 mph”。这些类型的故障阻止了无人驾驶汽车的全面发展。 只有解决了算法上的弱点,并且可以信任系统以确保驾驶员和行人的安全,才能广泛采用这种方法。 同时,我们将看到AI辅助驾驶技术的不断推出,其中AI可以为完全活跃的驾驶员提供指导和警告。

克服AI和ML的障碍

尽管我们预计未来一年人工智能和机器学习将取得显着进步,但其传播仍会受到一些阻碍。

熟练的机器学习工程师的严重劳动力短缺将使二线公司难以跟上。 尽管可访问性可能会增长并为中型组织提供网关,但那些已经拥有大量可用数据且能够利用这些数据的员工将蓬勃发展,并最终在成功的AI和机器学习方面拥有最大的优势积分。

明年,信任也将成为我们采用机器学习和AI的障碍。 除了使安全性处于危险之中的自动驾驶汽车中的缺陷之外,对于算法偏差的道德关注仍然没有解决方案。 我们是否可以依靠通过训练数据得出的见解来表达对妇女,老年人或少数民族的历史偏见? 在人类将能够完全接受AI工具的自主决策之前,必须解决此问题。

最后,从某种角度来看:这里描述的所有进步都是“狭窄” AI的一部分,在AI中,机器基于算法和统计数据执行特定任务的能力比人类更好。 AI的圣杯是“通用”智能,其中机器具有真实世界的知识和逻辑功能,可将其知识和技能应用于新任务。 狭AI的AI正在突飞猛进,但是通用AI仍需要数十年的路程。

来年将是具有许多创新和颠覆性技术的具有挑战性的新时代。 ML和AI的好处显而易见,可访问性也在不断增加。 但是,要充分实现其对企业和消费者的广泛影响,仍然需要解决重大问题。 在新的十年开始之际,有趣的是,有多少预言将成为现实。

上一篇

弥合CDO人才缺口:CDO所需的三大技能

下一篇文章

2020年供应链的五个预测