李榮

1.有跡象表明人工智能的應用正在加速

人們將會看到，人工智能領域正在被加速采用，其驅(qū)動因素包括更復雜的人工智能模型投入生產(chǎn)，增加人工智能能力的專業(yè)硬件，以便基于更大的數(shù)據(jù)集提供更快的結(jié)果，簡化的工具可以對整個人工智能堆棧的訪問民主化，使人工智能能夠在幾乎任何設備上運行的小型工具，以及云計算訪問允許從任何地方訪問人工智能資源的人工智能工具。

集成來自多個來源的數(shù)據(jù)、復雜的業(yè)務和邏輯挑戰(zhàn)，以及使數(shù)據(jù)更有用的競爭激勵，所有這些都將人工智能和自動化技術(shù)從可選項提升到必需。人工智能過程具有獨特的功能，能夠處理越來越多樣化的自動化任務，這些任務與傳統(tǒng)的程序邏輯和編程所能處理的不同，例如圖像識別、總結(jié)、標記、復雜的監(jiān)控和響應。

實際上在2019年調(diào)查中，超過一半的受訪者表示，人工智能（特別是深度學習）將成為其未來項目和產(chǎn)品的一部分，大多數(shù)公司已開始采用機器學習。

2.數(shù)據(jù)和人工智能之間的界限越來越模糊

為了保持競爭力，數(shù)據(jù)科學家至少需要掌握機器學習和深度學習。同時，當前的人工智能系統(tǒng)依賴于需要大量數(shù)據(jù)的模型，因此人工智能專家需要高質(zhì)量的數(shù)據(jù)以及安全有效的數(shù)據(jù)管道。隨著這些學科的融合，數(shù)據(jù)專業(yè)人士將需要對人工智能有基本的了解，而人工智能專家將需要堅實的數(shù)據(jù)實踐基礎，并且可能需要對數(shù)據(jù)治理做出更正式的承諾。

3.正在開發(fā)新的和更簡單的工具、基礎設施和硬件

人們處于機器學習的高度經(jīng)驗時代。機器學習開發(fā)工具需要考慮數(shù)據(jù)、實驗、模型搜索、模型部署和監(jiān)視日益增長的重要性。同時，隨著開源框架和庫、云平臺、專有軟件工具和SaaS的不斷發(fā)展的生態(tài)系統(tǒng)，管理人工智能開發(fā)的各個階段變得越來越容易。

4.新的模式和方法正在出現(xiàn)

雖然深度學習繼續(xù)推動許多有趣的研究，但大多數(shù)端到端解決方案是混合系統(tǒng)。2020年，人們將更多地了解其他組件和方法的重要作用，包括貝葉斯和其他基于模型的方法、樹搜索、進化、知識圖和仿真平臺等。人們還期望看到強化學習的新用例出現(xiàn)。人們可能會開始看到機器學習方法的令人興奮的發(fā)展，而不是基于神經(jīng)網(wǎng)絡。

5.新的發(fā)展促成新的應用

計算機視覺和語音/語音（“眼睛和耳朵”）技術(shù)的發(fā)展有助于推動新產(chǎn)品和服務的創(chuàng)造，這些產(chǎn)品和服務可以制作個性化定制尺寸的服裝，驅(qū)動自動收獲機器人，或為熟練的聊天機器人提供邏輯。機器人（“手臂和腿”）和自動駕駛汽車的研究引人注目，并且更接近市場。

新一輪的創(chuàng)業(yè)浪潮也瞄準了傳統(tǒng)數(shù)據(jù)，采用新的人工智能和自動化技術(shù)。這包括文本（新的然語言處理和自然語言理解解決方案；聊天機器人）、時間序列和時間數(shù)據(jù)、事務數(shù)據(jù)和日志。

傳統(tǒng)的企業(yè)軟件供應商和初創(chuàng)企業(yè)都在爭先恐后地開發(fā)針對特定行業(yè)或領域的人工智能應用程序。這與麥肯錫公司最近的一項調(diào)查結(jié)果一致：企業(yè)在已經(jīng)投資于基本分析的領域使用人工智能。

6.在所有數(shù)據(jù)都有內(nèi)在偏差的前提下處理公平性

從軟件質(zhì)量保證世界的線索來看，那些在人工智能模型上工作的人需要假定他們的數(shù)據(jù)有內(nèi)置的或系統(tǒng)的偏見以及與公平性關(guān)的其他問題，例如軟件中存在錯誤的假設，需要正式的過程來檢測、糾正和解決這些問題。

發(fā)現(xiàn)偏見和確保公平并非易事，而且在從不同角度進行審查和確認時最為有效。這就意味著，要建立有目的的多樣性，以發(fā)現(xiàn)不公平和偏見的過程，認知多樣性、社會經(jīng)濟多樣性和文化多樣性，幫助改進過程，并減少錯過重要內(nèi)容的風險。

7.機器欺騙仍然是一個嚴峻的挑戰(zhàn)

深度偽造（Deepfakes）表明，自動檢測系統(tǒng)可以尋找：不自然的眨眼模式、不一致的照明光線、面部扭曲、嘴唇動作和言語之間的不一致，以及缺乏微小而獨特的面部運動（例如，美國總統(tǒng)特朗普在回答問題前是如何抬起嘴唇的）。

但是，Deepfakes技術(shù)越來越好。隨著新形式的機器欺騙的出現(xiàn)，必須盡快開發(fā)自動檢測方法，但是自動檢測可能還不夠。檢測模型本身可以用來保持檢測器的領先地位。例如，在發(fā)布一種發(fā)現(xiàn)不自然的閃爍模式算法的幾個月內(nèi)，下一代的Deepfake生成器已將閃爍功能集成到其系統(tǒng)中。

一些程序可以在拍攝或更改圖像時自動水印和識別圖像，或者使用區(qū)塊鏈技術(shù)驗證來自可信來源的內(nèi)容，這可能是一個局部修復，但隨著Deepfakes的改進，對數(shù)字內(nèi)容的信任度降低?？赡苤贫朔ㄒ?guī)，但是通往有效法規(guī)而不干擾創(chuàng)新的道路還很遙遠。

8.為了充分利用人工智能技術(shù)，企業(yè)需要重新培訓員工

隨著人工智能工具變得更容易使用，人工智能用例激增，人工智能項目被部署，跨職能團隊被拉入人工智能項目。傳統(tǒng)數(shù)據(jù)團隊以外的員工需要具備數(shù)據(jù)素養(yǎng)。事實上，調(diào)研機構(gòu)Gartner預計，到2020年，將有80 %的組織開始實施內(nèi)部數(shù)據(jù)素養(yǎng)計劃以提高其員工的技能。

但是培訓是一項持續(xù)的工作，為了成功地實施人工智能和機器學習，企業(yè)需要采取一種更全面的方法來重新培訓他們的員工。對于許多企業(yè)來說，這可能是最困難但最有回報的過程。團隊有機會定期加入一個更廣泛的社區(qū)，以看到成功的人工智能實現(xiàn)和解決方案的廣泛領域，這也是至關(guān)重要的。

再培訓還意味著重新考慮多樣性。加強和擴展多樣性對于檢測公平和偏見問題的重要性，對于希望成功實施真正有用的人工智能模型和相關(guān)技術(shù)的組織而言，多樣性變得尤為重要。正如人們期望的那樣，大多數(shù)人工智能項目會增加人工任務，以一種廣泛包容的方式融入人工元素成為廣泛被接受和成功的關(guān)鍵因素。