AI已经成为当今许多CEO的首要议程。虽然这个话题并不新鲜，但首席执行官们已经明白采用人工智能技术并不简单。为实现这一目标，企业需要从他们的业务目标开始，然后以推进这些目标并希望增加业务价值的方式使用AI技术。与此同时，CEO对人工智能和机器学习（人工智能技术的一个子集）的态度一直在改变，因为它与数字化转型有关。一开始，它是关于了解数字化转型者做什么以及他们是如何做的。现在，他们开始意识到他们需要按照自己的方式创造价值。这并不是说他们不会利用供应商免费提供的某些平台或工具。然而，自己制定策略最终是一个冒险的提议。跨国咨询公司埃森哲北美应用智能总经理ArnabChakraborty表示：“行业领先企业CEO的首要任务是重塑公司的未来，主要由人工智能和数据驱动。现有业务要释放价值，无论是在销售和营销、供应链、财务、人力资源，还是所有职能部门。”不出所料，人工智能也被列为首席信息官的重要议程，据全球专业服务提供商简柏特在麻省理工学院斯隆首席信息官研讨会上发布的一份调查报告显示，在接受调查的500名首席信息官中，有48%的人表示人工智能是他们的首要任务投资重点。该公司首席数字官SanjaySrivastava表示，“这些CIO表示他们必须投资人工智能。问题是为什么现在？这是因为发生了三件事：技术变得更好；成本变得更便宜；需求爆发式增长。以下是值得关注的10大人工智能和机器学习趋势：1.合作伙伴关系将发生变化客户并增加零售商的销售份额。传统上，这两类公司之间没有太大的协同作用。埃森哲的Chakraborty说：“沃尔格林正在与克罗格合作，为正在寻找药品和杂货的客户提供无缝体验。我们将开始看到这些类型的合作伙伴关系创建新的数据驱动的商业模式，Mode将由人工智能提供支持。“要做到这一点，零售商需要做三件事：(1)牢记业务目标并建立企业范围的数据主干；(2)建立一个分析市场，使业务人员能够处理数据；(3)形成洞察力基于分析市场2.低代码/无代码数据科学低代码和无代码软件开发一直在扰乱企业的业务，使高级用户（低代码用户）和普通销售人员（无代码用户）成为可能能够构建简单的应用程序。类似的趋势正在数据科学的不同级别上发生，例如数据集成、增强分析，甚至模型构建。但也有一些担忧。LanguageI/O，多语言客户支持工具的提供商，机器学习架构师SilkeDodel博士说：“如果企业的主要业务不是AI，并且他们只对将AI应用于业务洞察力感兴趣，那么使用一种无??代码或低代码AI和机器学习平台可能会满足他们的需要。”需要。但是r，他们应该小心使用经过验证的基准数据进行测试，因为这本质上是一种黑盒方法，定制模型内部工作的可能性有限。想要将AI纳入其业务模型的企业可以开始使用AI领域供应商开发的现有模型，并使用迁移学习使它们适应自己的目的。“公司可以投资一些训练有素的机器学习数据科学家，他们也了解模型背后的数学原理，这将有助于确保为用户的利基应用提供最好的模型。3.迁移学习迁移学习将机器学习迁移应用到不同的领域但相关问题。事实上，企业会使用一些数字巨头构建的机器学习模型，而不是从头开始构建。全球数字和技术服务公司PacteraEDGE的首席人工智能官AhmerInam表示，“人工智能智能/机器学习领域的最大问题是开发可以在全球范围内有效翻译的AI解决方案的成本。语音AI系统在理解口音和识别方言方面遇到了困难——即使对于那些拥有语言训练数据集的人来说也是如此涵盖。总的来说，我们当前构建、训练和扩展语音AI系统的范例需要ds正在发生变化，并且正在发生一些进展，例如训练数据、算法、训练框架，以及如何在考虑最终用户的情况下设计和构建语音AI体验（以人为本的方法）。“朝正确方向迈出的一步是FacebookAI的新wave2vec，它可以从原始音频中学习语音结构。这种无监督的机器学习方法可以与时间、数据和计算（以及成本）繁重的优化监督竞争。系统具有可比性。根据Inam的说法，wave2vec将显着加快语音AI应用程序的训练速度，数据量更小，因此计算成本更低，因为它不需要转录语音数据。4.更好的投资回报率一些企业努力提高人工智能和机器学习投资的投资回报率。但问题可能是不切实际的期望以及无法将实验室开发的项目转化为生产项目。数据分析和定制软件提供商FreyaSystems的首席执行官BenJohnson表示，“人工智能技术正在从科学走向实际工程。近几十年来，重点一直放在新算法和技术的开发上。现在，重点又回到了数据策略、数据准备和数据使用上。数据科学家使用一系列算法和技术来解决问题和制定解决方案，将成熟的算法应用于数据。关注问题并减少它对我们来说非常重要超过80%的项目失败率。这种重新聚焦将推动AI和ML项目的实际投资回报率。”5.企业将能够访问更多数据许多企业已经在用第三方数据补充自己的数据。虽然API经济推动了这一趋势，但未来越来越多的企业将共享更多数据。“这不仅仅是产生更多数据人工智能驱动的数字销售平台PROS的人工智能战略家和数据科学家JustinSilver说：“数据，它是关于更有战略性地生成和使用数据。”除了数据，我们还将看到改进数据的协作努力——例如数据共享“在尊重隐私/机密的同时实现互惠互利。例如，航空公司共享数据以识别对他们有帮助的趋势，了解冠状病毒爆发对其业务的影响。”6.商务人士需要精通人工智能人机协作在不断发展，随之而来的是知识的扩展和技能的丰富。“真正的问题是，公司如何扩大运营规模和员工队伍，并为未来的工作做好准备？”Genpact的Srivastava说。“需要更多了解金融、会计和机器学习的专业人士，以便他们可以将机器学习应用于现金流。还需要了解计算机视觉的机械工程师，以便将其应用于自动化制造和工作流程”7.越来越多地采用AutoML随着越来越多的企业加速AI主导的数字化转型，他们会发现更多的工作需要自动化。埃森哲的Chakraborty表示，“AI价值链的许多初始部分将实现自动化，例如数据摄取、捕获、构建数据管道、构建机器学习管道，让员工可以更专注于价值链的高端，它正在构建机器学习模型、特征工程和测试模型，而不是进行获取模型所需的所有管道。我们已经看到平台参与者（如Google和其他人）创建了许多机器学习功能，这些功能正在自动化这些标准8.联合学习专注于边缘智能联邦学习使模型能够被推送到边缘进行训练，而无需在整个生态系统中共享任何数据。然后将训练好的模型从边缘推回中央存储库可以减少训练数据。”这创造了一种更快的培训和部署模型的方式，而不会冒任何数据隐私问题的风险，”埃森哲的Chakraborty说。如果在医疗保健领域，他可以lp创造新的AI驱动服务，以更高效的方式为患者服务，并创造新的体验和更好的治疗结果。”9.网络安全将变得更加复杂和智能间谍正试图通过添加越来越微妙、复杂和细致的人工智能攻击来获取对公司数据的访问权限。Genpact的Srivastava表示：“人工智能是一种对数据进行操作产生结果的应用程序，所以现在已经不再是关于应用程序的网络攻击为了破坏或窃取数据，所以它使用的人工智能会选择错误的数据得到错误的结果。企业的威胁面扩大，因此需要采用企业AI治理计划。”10.AI将对医疗案例进行分类AI可以“看到”医生看不到的东西，例如在计算机视觉的背景下，X光片中可能存在微妙的线索，例如可以影响医生的诊断。更一般地说，咨询公司FastLayneSolutions总裁兼首席执行官ChristopherJ.Hughey表示：“令人不快的事实是，人工智能在分诊和初步诊断方面比医生要好得多。”这并不是要剥夺医生的权利。”医生将不再工作，而是通过将他们从繁琐且耗时的任务中解脱出来来提高效率。这在未来几十年将是至关重要的，因为美国面临严重的医生短缺和其他医护人员。事实上，据美国医学院协会估计，到2033年，美国的医生数量将短缺54,100人至139,000人。华盛顿邮报凯撒家庭基金会最近进行的一项民意调查发现，30%的医生美国的医务人员正在考虑因职业倦怠、创伤后应激障碍和其他与流行病相关的压力因素而离职。
