AI继续改变我们的世界，因为公司希望通过智能手机、智能电视、智能汽车——智能一切——实时提供智能体验来赢得消费者。但随着新机遇的出现，组织也在寻求弥合AI鸿沟时发现新的挑战。以下是我将在来年跟踪的六大AI/ML趋势，以及有关企业如何保持领先地位的建议。1.实时用例正在推动ML技术堆栈的变化我们公司的研究小组VertaInsights最近的一项研究发现，超过三分之二的ML从业者预计实时用例在未来三年内会显着增加年。这种趋势将挑战其ML技术堆栈围绕分析/批处理工作负载构建的公司，这些工作负载不适合在面向客户的应用程序中大规模操作实时用例。建议：一直生活在数据仓库世界并支持分析/批处理工作负载的组织需要重新评估他们的技术堆栈，着眼于实时用例的事务处理。他们还需要依靠负责任的AI来确保他们在与客户互动时不会越过从乐于助人的超个人化到令人毛骨悚然的界限。2.加强人工智能监管提请注意支持道德人工智能的工具欧盟人工智能法案。美国数据隐私和保护法。保护开源软件法。围绕人工智能的拟议法规数量正在迅速增加，这表明公司自行监管其AI/ML项目（或根本不监管）的时代即将结束。Gartner预测，到2025年，法规将迫使公司关注AI道德、透明度和隐私。建议：公司必须确保他们拥有企业模型管理工具以满足新的监管要求，例如“算法设计评估”和“算法影响评估”。这意味着能够跟踪和报告模型是如何创建、训练、测试、部署、监控和管理的。如果您没有适当的道德委员会来监督AI/ML，现在是时候在监管机构敲门之前建立一个。3.模型管理成为机器学习的重心机器学习工具仍然高度分散。这带来的挑战之一是，迄今为止，不同的利益相关者（从业者、管理层、风险和IT）还没有对端到端ML生命周期有一个共同、统一的看法。但现在，模型管理平台将提供一个重心，将围绕实验、生产、机器学习数据和编排的不同工具捆绑在一起。实际上，模型管理平台成为企业管理所有AI/ML的控制塔。建议：采用整体方法进行机器学习，并考虑如何在整个生命周期内管理模型。您的ML工具是否侧重于让您端到端地管理模型？识别并填补实验、生产、ML数据和编排工具中的空白，同时实施模型管理平台，使您能够查看和控制整个模型生命周期。4.企业建立机器学习平台团队，确保关键业务模型顺利运行认真对待实时机器学习的企业会组建ML平台团队，以确保其模型具有与其他关键业务应用程序相同的高可靠性和可用性。ML平台团队组装、管理和改进工具，以保持模型在生产中顺利运行。挑战在于寻找和雇用具有填补该职位所需的技术和软技能的“独角兽”。建议：您无需聘请数十名平台工程师即可开始。只需要一两个工程师就可以开始构建您的ML平台团队。（注意：希望提高技能的DevOps工程师可能是不错的人选。）为您的团队配备一套实用的AI工具，以快速提高AI/ML项目的性能，然后在这些成功的基础上再接再厉。5.机器学习产业化推动机器学习流程标准化通常，在AI/ML在大型组织中扎根的地方，我们会看到分散在不同业务部门的孤立数据科学团队，每个部门都有自己的工具和流程。当ML处于小规模定制项目的手动阶段时，这是可行的。但是，当一家公司将ML用于面向工业规模的面向客户的应用程序时，治理就变得必不可少，而治理需要具有制衡机制的标准化流程来提高效率，同时降低风险。建议：首先确定一个小组来领导整个公司的ML标准化。这可以是企业架构组、数据科学卓越中心或ML平台团队。该小组的任务是创建企业范围的标准，以快速和大规模地启用ML，但有护栏以确保遵循正确的流程并将风险降至最低。6.生成式AI横扫创意艺术，引发道德和欺诈问题的稳步扩散，生成式AI背后的“文本到图像”和其他技术吸引了大量风险投资。与用于文本生成的GPT-3一起，稳步扩散代表了一步变化，加速了创造性工作并开辟了新的表达途径。但是，鉴于这些技术能够大规模创建虚假内容，因此引发了伦理问题。建议：了解这项技术的人需要带头确保将道德融入生成式人工智能用例中。此外，依赖客户数字输入的公司应考虑生成式人工智能如何为欺诈开辟新途径——例如为提交保险索赔而伪造的汽车损坏图像——并制定策略来加强欺诈检测以降低风险。正如上述趋势所表明的那样，随着技术的成熟和公司发现将人工智能融入智能产品和服务的创新方法，人工智能正在迅速发展。没有任何组织能够幸免于AI的变革性影响，高管们应该现在就开始确保他们的公司为AI驱动的未来做好准备。
