對 2018 年 AI 發展預言全中，他們又立了 2019 的 Flag

• 2019 年 11 月 30 日
• 筆記

By 超神經

「對於 2019 年數據科學、機器學習和人工智慧，我們做出了 5 個預測。同時還回顧一下去年做的預測，看看有哪些是真的發生了。 」

作者：William Vorhies

DataScienceCentral 編輯部主任; Data-Magnum 總裁兼首席數據科學家; EB5C 主席

對去年預測的快速回顧

預測 1：模型製作和數據準備將變的更加自動化。更大的數據科學運營會集成到一個平台上。只需少量的數據科學家就能勝任許多工作。

這個猜對了，隨著高級分析平台上端到端的集成，無程式碼的數據科學正在崛起。

預測 2：數據科學會朝著專業化方向發展，而「全棧」的數據科學家將不復存在。

同樣猜對。現在人們對數據工程師的關注度要高於數據科學家。因為數據工程師更加的實用。

預測 3：非數據科學家比數據科學家更能勝任大量而複雜的分析。

事實如此。從 Data Viz 和 Visual Analytics 的流行，就可以看出，非數據科學家從複雜的數據科學工具中獲得了更多的價值。

預測 4：深度學習困難重重。沒有多少數據科學家熟練能掌握這一領域，這會限制人工智慧的應用，除非深度學習平台更加簡潔化和產品化。

微軟和Google都推出了自動深度學習平台，它們從遷移學習開始，朝著完整的 AutoDL （自動機器學習）發展。此外還有一些集成的 AutoDL 平台。比如 one clicks. ai，就有的完整的 AutoML 和 AutoDL 平台。Gartner 最近提名擁有 AutoDL 平台的 DimensionalMechanics 為「五大潮流公司」。

預測 5：儘管被大肆炒作，但人工智慧及深入學習的滲透，以及對市場的影響的廣度和深度都不盡人意。

除了聊天機器人的快速發展， AI 的應用其實很有限。AI 被吹的有些高了，在實際的公司中，真正用到 AI 和機器學習的比例也很小。

預測 6：公眾（和政府）將開始認真研究 AI 的社會和隱私影響。

看看美國政府以及歐盟即的一些動作，就知道這些問題正在受到重視，如加利福尼亞州即將生效的隱私規範，以及澳大利亞的反加密聲明。

沒有懸念的，我們在去年的 6 個預測全都正確。雖然一些看法在今年依然如此，但我們還是嘗試做出更具體一些預測分析。

對 2019 做的預測

預測 1：數據將會比演算法更重要

深度學習和經典機器學習演算法方面，已有一年多沒有較大突破了。使用的是稍作改進時間卷積網（TCNs），代替掉了 RNN 以減少 NLP 的延遲，但絲毫沒有創新。好的演算法要麼早有名氣，要麼就是能用自動機器學習弄出來。

目前這個時期，擁有大量優質數據是公司實現數字化轉型的關鍵，這同時也衍生出了數據提供方案的競爭和機會，大致有下面幾個方向。

第一個方向是如何獲得準確標記的訓練數據。像 Figure Eight 之類從事標籤數據的公司，正在推廣具有成本效益的智慧策略。比如主動學習就能在標記數據和確保模型精度之間作出最佳選擇。

第二個方向是訪問第三方數據。像 DymstData 這樣的服務公司，已經進入該領域作為數百種附加數據提供清算所。他們還承擔著保護敏感 PII 的作用，他們的用戶可以強制執行角色訪問某些敏感資訊，這對金融和醫療服務中尤為重要。

第三個方向是自動跟蹤並記錄模型中數據的來源。特別是由多個來源的流數據被集成，而且實時變化時，知道數據來源以及如何使用它，是很重要的一個方面。Tibco 和其他一些分析平台正在整合此項功能。

預測2：隨著 AI / ML 將分析平台移至行業或流程特定程式，一切將變得更容易。

縱覽 AI / ML 的創業公司，可以看出競爭正在轉向行業或特定的程式。這些程式或迷你平台，是專註於解決各種業務中的行業特定問題，如營銷，B2B 銷售，醫療保健，金融科技以及其他定義的分組。

這些新應用程式專註於嵌入 AI / ML ，從而在企業更新時，不需要大型內部數據科學家組的支援，只依賴這些開發人員。

有人稱這為AI / ML的商品化，但更準確地說，這是 AI / ML 的專業化。

這樣的轉型，就像是 90 年代後期 ，從流程改造（Reengineering） 到企業資源規劃（ ERPs ）的轉變。當時 Reengineering 呼籲公司使用複雜的訂製開發 IT 解決方案來改進流程，這為 Oracle，PeopleSoft，SAP 等主要集成 ERP 以及 CRM 等企業打開了大門。

新的供應商都致力於在他們的特定市場中提供廣泛的解決方案，但不可避免地最終得出 ERP 規模較小的平台。

另外還要關注那些沒有大型數據科學團隊，或完全依賴訂製開發模型的中型和小型公司，注意它們加快 AI / ML 採用率的問題。

預測3：數據工程師和數據分析師的崛起

這不是說世界已經放棄了數據科學家。還需要一個過程。但當你缺乏某些技能時，市場會以不同的方式填補這種空白。

一種方法是通過上面討論過的行業和流程特定的智慧應用，這些應用程式不需要大量的內部數據科學家。

第二種方法是迅速出現的自動機器學習（ AML ）平台。這在數據科學中更高效，意味著更少的數據科學家可以完成許多工作。

由於模型的數量沒有減少，反而增加了，這會將工作擔子轉移給那些具備兩方面技能的數據工程師。

首先，他能夠創建數據科學所需的基礎架構，如數據湖和 Spark 實例。

其次是採用模型，並確保它們在作業系統中實現，並跟蹤準確性和刷新。

有一些數據工程師還要負責數據操作 ，確保數據流的清潔和預處理。

分析平台的另一個趨勢是視覺分析和數據可視化工具的發展。現在，這些工具大部分與數據科學工具集完全集成，能讓數據分析師和 LOB 經理提取更多價值，甚至指導分析工作。他們不會取代數據科學家，但強化了高級分析正在團隊里的作用。

預測4：神經形態晶片：AI 與物聯網走向前沿

這兩種不同的技術同時都處於半成熟狀態，以解決長期存在的問題——延遲。

例如，考慮當您想要使用移動設備，將文本或影像的單詞進行翻譯時，您的設備會將該訊號發送回發生到翻譯雲中的應用程式，然後再返回到你的設備。

Google和其它即時翻譯服務，已經從 RNN 轉移到專門的 CNN 結構，也就是時間卷積網路，因為 RNN 不能很好適應 MPP，但 CNN 卻可以。這個轉換減少了延遲，但訊號還是完整的。

解決此問題的一種技術是 5G 網路。大家都知道 5G 會很快，但它真正的好處在於可以承載更大的流量。

第二個解決方案是引入新的神經形態晶片（也叫脈衝神經網路）。這種神經網路架構可能是實現通用人工智慧（ AGI ）的關鍵。但還需要些時日。

當前主要的晶片製造商和一些初創公司，正在研發脈衝神經網路的專用晶片，針對 CNN 和 RNN 的進行了優化，其中一些還針對極低功耗做了優化。

這些功能結合在一起，會將深度學習轉移到網路邊緣的晶片上。從今年開始，對於物聯網和其他流媒體數據應用，會怎樣被點燃，就拭目以待吧。

預測5：不同的 AI 框架將相互融合

目前文本，語音，影像和影片模型已發展成了主流，但發展還是遇到了很大的障礙。因為在一個框架（如Caffe2，PyTorch，Apache MXNet，Microsoft Cognitive Toolkit 和 TensorFlow ）上構建的模型，無法輕鬆移植到另一個框架。

幸運的是，這也推動了一些創新之舉。比如 AWS，Facebook 和 Microsoft 合作構建的開放式神經網路交換平台（ ONNX ），使模型可以在不同的框架上實現互操作。

隨著開發人員，應用程式和設備之間共享的模型數量增多，ONNX 將會是今年的一項關鍵技術。

這就是對今年情況的一個預測。就等著明年的時候回過頭來，看看這個領域和所想的有什麼不同。

超神經小百科

單詞

algorithm

[ˈælɡərɪðəm] n. 演算法

consolidation

[kənˌsɑləˈdeʃən] n. 鞏固；加強；統一

片語

ensemble learning 集成學習

data stream 數據流

歷史文章（點擊圖片閱讀）

敲黑板啦！Keras 之父的新年清單

頂級會議風雲榜，Pick 誰呢？

我們的宇宙是高級文明編寫的程式碼嗎?