根据Gartner的一项调查，到2020年底，全球48%的首席信息官将部署人工智能。尽管人们对人工智能和机器学习持乐观态度，但我仍然持怀疑态度。在可预见的未来，我不认为任何发明会真正导致生产力和生活水平的巨大变化。等待AI/ML领域发生重大变化的企业将错过小的发展。以下是一些目前可能未被注意到但从长远来看会产生重大影响的趋势：1.专用硬件和云服务提供商正在改变格局对于企业来说，谈论本地和云计算的时代已经到来超过。恢复。今天，即使是保守的公司也在谈论云和开源。难怪云平台正在改进其产品以包括AI/ML服务。随着ML解决方案的要求越来越高，CPU和RAM的数量不再是加速或扩展的唯一方法。为算法优化的专用硬件比以往任何时候都多，无论是GPU、TPU还是“晶圆级引擎”。行业转向使用更多定制化硬件来解决AI/ML问题也将加速。企业CPU将主要用于解决最基本的问题。使用ML/AI的通用计算基础设施有被淘汰的风险，这足以让企业转向云平台。专用芯片和硬件的增加也将导致基于这些硬件的算法的改进。虽然新的硬件/芯片可能允许使用以前被认为速度慢或不可能的AI/ML解决方案，但目前为通用硬件提供支持的许多开源工具需要重新编写才能从新芯片中获益。最近算法改进的示例包括Sideways，它通过并行化训练步骤来加速DL训练；和Reformer，优化内存使用和计算能力。2.针对隐私和围绕隐私出现的创新解决方案我还预见到，对数据隐私的关注将逐渐转向对ML模型隐私的关注。今天对人工智能隐私的关注是数据的收集方式和使用方式。但ML模型并不是真正的黑匣子。随着时间的推移，可以根据输出推断模型输入，这会导致隐私泄露。数据和模型隐私挑战将迫使企业采用联邦学习解决方案。去年，谷歌发布了TensorFlowPrivacy，这是一个基于差分隐私原则并添加噪声以模糊输入的框架。通过联邦学习，用户的数据永远不会离开他们的设备/机器。这些机器学习模型足够智能，只需要很小的内存占用就可以在智能手机上运行并从本地数据中学习。通常，用户提供的数据用于提供更加个性化的体验。例如，GoogleMail根据用户的打字行为提供自动建议。数据和模型如何不仅可以帮助改善个人体验，还可以改善更广泛的人群？人们是否愿意分享他们训练有素的模型（而不是数据）来造福他人？这是一个有趣的商业机会：向用户支付来自设备本地数据训练的模型参数，并使用本地计算能力来训练模型（例如，当手机相对空闲时）。3.健壮的模型部署成为关键目前，企业正在努力生产既可扩展又可靠的模型。写模型的人不一定要考虑模型的安全性和性能，也不一定是模型部署方面的专家。一旦机器学习模型成为主流和关键应用的组成部分，这将不可避免地导致针对主流应用服务的模型攻击。我们已经看到了一些低技术含量的例子，例如：让特斯拉加速而不是减速、变道、突然停车或在没有合适触发器的情况下打开雨刷器。想象一下这种攻击可能对严重依赖AI/ML的金融系统、医疗设备等产生的影响？目前，对抗性攻击仅限于学术界，以更好地理解模型的含义。但在不久的将来，对模型的攻击将是“牟取暴利”，由想要显示其性能有所提高的竞争对手驱动，或者由可能勒索你的恶意黑客驱动。例如，当今新的网络安全工具依靠AI/ML来识别网络入侵和病毒等威胁。如果您可以触发虚假威胁警报怎么办？识别真假警报的相关成本是多少？为了应对此类威胁，企业需要更加重视模型验证以确保其稳健性。一些企业已经在使用对抗网络来测试深度神经网络。今天，我们聘请外部专家来审计网络安全以及物理安全等。同样，我们将看到一个新的模型测试和模型安全专家市场的出现，他们将测试、认证并可能对模型故障承担一些责任。下一步是什么？渴望通过人工智能投资实现增长的企业需要重新审视人工智能对其数据的影响。我上面概述的趋势强调了企业需要围绕其生产中的AI/ML解决方案实施强有力的治理。但也请注意，假设您的AI/ML模型稳健是有风险的，尤其是当它们任由平台提供商摆布时。因此，时间的需要是让内部专家了解该模型为何有效或无效。这将是一个需要保持的趋势。
