2018年，我们见证了基于机器学习和人工智能的平台、工具和应用程序的急剧增长。这些技术不仅影响了软件和互联网行业，还影响了其他垂直行业，例如医疗保健、法律、制造、汽车和农业。我们将在2019年及以后继续看到ML和AI相关技术的进步。亚马逊、苹果、Facebook、谷歌、IBM和微软等公司正在投资人工智能的研发，这将有助于生态系统拉近AI与消费者的距离。以下是2019年值得关注的5大人工智能趋势：1.支持人工智能的芯片的兴起与其他软件不同，人工智能严重依赖专用处理器来补充CPU。即使是最快和最先进的CPU也可能无法提高AI模型的训练速度。在推理时，该模型需要额外的硬件来执行复杂的数学计算，以加速物体检测和面部识别等任务。2019年，英特尔、英伟达、AMD、ARM和高通等芯片制造商将推出加速AI应用执行的专用芯片。这些芯片将针对与计算机视觉、自然语言处理和语音识别相关的特定用例和场景进行优化。医疗保健和汽车行业的下一代应用程序将依靠这些芯片为最终用户提供智能。2019年也将是亚马逊、微软、谷歌和Facebook等超大规模基础设施公司增加对基于现场可编程门阵列(FPGA)和专用集成电路(ASIC)的定制芯片的投资的一年。这些芯片将针对运行基于AI和高性能计算(HPC)的现代工作负载进行大量优化。其中一些芯片还将协助下一代数据库加速查询处理和预测分析。2.物联网与人工智能在边缘的融合2019年，人工智能在边缘计算层与物联网相遇。大多数在公共云中训练的模型将部署在边缘。工业物联网是人工智能执行异常检测、根本原因分析和设备预测性维护的最佳用例。基于深度神经网络的高级ML模型将被优化以在边缘运行。他们将能够处理视频帧、语音合成、时间序列数据和由相机、麦克风和其他传感器等设备生成的非结构化数据。物联网将成为企业人工智能的最大驱动力。边缘设备将配备基于FPGA和ASIC的特殊AI芯片。2016年，谷歌推出了TensorProcessingUnits，或TPU，因为它们更为人所知——专为谷歌的TensorFlow框架设计的芯片。今年，这家科技巨头推出了EdgeTPU，这是一种小型人工智能加速器，可以在物联网(IoT)设备中实现机器学习。EdgeTPU旨在执行机器学习算法训练的任务。例如，它将能够识别图片中的对象。这种算法训练的“预塑任务”被称为“推理”。EdgeTPU旨在执行推理，而Goggle基于服务器的TPU则负责训练算法。3.神经网络之间的互操作性成为关键开发神经网络模型的关键挑战之一在于选择正确的框架。数据科学家和开发人员必须从众多选项中选择合适的工具，包括Caffe2、PyTorch、ApacheMXNet、MicrosoftCognitiveToolkit和TensorFlow。一旦模型在特定框架中进行训练和评估，就很难将训练好的模型移植到另一个框架中。神经网络工具包之间缺乏互操作性阻碍了人工智能的采用。为了应对这一挑战，AWS、Facebook和Microsoft合作构建了开放式神经网络交换(ONNX)，这使得跨多个框架重用经过训练的神经网络模型成为可能。2019年，ONNX将成为行业的一项重要技术。从研究人员到边缘设备制造商，生态系统中的所有主要参与者都将依赖ONNX作为推理的标准运行时。4.自动化机器学习将变得突出从根本上改变基于ML的解决方案的一个趋势是AutoML。它将使业务分析师和开发人员能够发展机器学习模型，这些模型可以解决复杂的场景，而无需经过ML模型的典型训练过程。在处理AutoML平台时，业务分析师专注于业务问题，而不是迷失在流程和工作流中。AutoML非常适合认知API和自定义ML平台。它提供了适当级别的定制，而无需强迫开发人员完成复杂的工作流程。与通常被视为黑匣子的认知API不同，AutoML提供了相同程度的灵活性，但具有自定义数据和可移植性。5.人工智能将通过AIOps自动化DevOps现代应用程序和基础设施正在生成日志数据，这些数据被捕获用于索引、搜索和分析。从硬件、操作系统、服务器软件和应用程序软件中获得的大量数据集可以聚合和关联，以找到洞察力和模式。当机器学习模型应用于这些数据集时，IT操作从被动转变为预测。当人工智能的力量应用于运营时，它将重新定义基础设施的管理方式。ML和AI在IT运营和DevOps中的应用将为组织提供智能。它将帮助运营团队进行精确和准确的根本原因分析。AIOps将在2019年成为主流。公有云提供商和企业将从AI和DevOps的融合中受益。机器学习和人工智能将是2019年的关键技术趋势。从业务应用到IT支持，人工智能将对各行各业产生重大影响。
