自动化、硬件、模型开发等方面的新发展将在2020年塑造AI。O'Reilly副总裁RogerMagoulas介绍了自动化、硬件、工具、模型开发方面的新发展，以及更多将塑造（或加速）2020年人工智能发展的内容。1.有迹象表明人工智能的采用正在加速。可以看出，人工智能领域有望加速采用，其驱动因素包括更复杂的人工智能数据集提供更快的结果、简化工具使对整个人工智能堆栈的访问民主化、使人工智能能够在几乎任何设备上运行的小型工具和云计算访问，允许从任何地方访问AI资源人工智能工具。集成来自多个来源的数据、复杂的业务和逻辑挑战，以及使数据更有用的竞争激励，所有这些都将AI和自动化从可选提升为必需。人工智能流程具有独特的能力来处理越来越多样化的自动化任务，这些任务不同于传统的程序逻辑和编程可以处理的任务，例如图像识别、摘要、标记、复杂的监控和响应。事实上，在2019年的调查中，超过一半的受访者表示人工智能（尤其是深度学习）将成为他们未来项目和产品的一部分，并且大多数公司已经开始采用机器学习。2.数据和人工智能之间的界限正在模糊。为了保持竞争力，数据科学家至少需要掌握机器学习和深度学习。同时，当前的AI系统依赖于数据饥渴的模型，因此AI专家将需要高质量的数据以及安全高效的数据管道。随着这些学科的融合，数据专业人员将需要对AI有基本的了解，而AI专家将需要坚实的数据实践基础，并且可能需要对数据治理做出更正式的承诺。3.正在开发新的和更简单的工具、基础设施和硬件人们正处于一个高度体验机器学习的时代。机器学习开发工具需要考虑到数据、实验、模型搜索、模型部署和监控日益增长的重要性。与此同时，随着开源框架和库、云平台、专有软件工具和SaaS的生态系统不断壮大，管理AI开发的各个阶段变得越来越容易。4.新的范例和方法正在出现虽然深度学习继续推动许多有趣的研究，但大多数端到端解决方案都是混合系统。2020年，人们将更多地了解其他组件和方法的重要作用，包括贝叶斯和其他基于模型的方法、树搜索、进化、知识图谱、仿真平台等。人们还期望看到强化学习的新用例出现。人们可能会开始看到不基于神经网络的机器学习方法的令人兴奋的发展。5.新发展带来新应用计算机视觉和语音/语音（“眼睛和耳朵”）技术的发展有助于推动新产品和服务的创建，这些产品和服务可以创建个性化、定制尺寸的服装，驱动自动收获机器人，或提供逻辑对于熟练的聊天机器人。对机器人技术（“手臂和腿”）和自动驾驶汽车的研究引人注目，并且更贴近市场。新一波创业浪潮也在瞄准“传统数据”，采用新的人工智能和自动化技术。这包括文本（新的自然语言处理和自然语言理解解决方案；聊天机器人）、时间序列和时间数据、交易数据和日志。传统企业软件供应商和初创企业都在争先恐后地开发行业或领域特定的AI应用程序。这与麦肯锡公司最近的一项调查结果一致：企业正在他们已经投资基础分析的领域使用人工智能。6.在所有数据都有固有偏差的前提下处理公平性从软件质量保证的世界中得到启示，从事AI模型工作的人需要假设他们的数据具有内置或系统性的偏差以及公平性相关的其他问题软件，例如软件中的不正确假设，需要一个正式的过程来检测、纠正和解决这些问题。发现偏见和确保公平并不容易，但从不同角度进行审查和验证时最为有效。这意味着建立有目的的多样性以发现不平等和偏见、认知多样性、社会经济多样性、文化多样性、物理多样性的过程，以帮助改进过程并减少丢失重要内容风险的机会。7.机器欺骗仍然是一个严峻的挑战Deepfakes表明自动检测系统可以寻找：不自然的眨眼模式、不一致的照明、面部扭曲、嘴唇运动和讲话之间的不一致，以及缺乏微小但独特的面部运动（例如，美国总统特朗普如何回答问题前先抬起嘴唇）。然而，deepfakes技术越来越好。随着新形式的机器欺骗的出现，必须尽快开发自动检测方法。但自动检测可能还不够。检测模型本身可用于使检测器保持领先。例如，在发布发现不自然闪烁模式的算法后的几个月内，下一代深度造假生成器已将闪烁功能集成到他们的系统中。在拍摄或更改图像时自动加水印和识别图像，或使用区块链技术验证来自可信来源的内容的程序可能是部分解决方案，但随着深度造假技术的改进，对数字内容的信任度会降低。法规可能已经到位，但通往不干扰创新的有效法规之路仍然很遥远。8.为充分利用人工智能技术，企业需要对员工进行再培训传统数据团队之外的员工需要具备数据素养。事实上，研究公司Gartner预测，到2020年，80%的组织将实施内部数据素养计划，以提高员工的技能。但培训是一项持续的工作，要成功实施人工智能和机器学习，公司需要采取更全面的方法来重新培训员工。对于许多企业来说，这可能是最困难但最有价值的过程。同样重要的是，团队有机会定期加入更广泛的社区，以了解广泛的成功AI实施和解决方案。再培训也意味着重新思考多样性。对于希望成功实施真正有用的人工智能模型和相关技术的组织而言，增强和扩大多样性以检测公平和偏见问题的重要性变得更加重要。正如人们期望大多数AI项目增加人工任务一样，以广泛包容的方式结合人为因素一直是获得广泛接受和成功的关键因素。
