人工智能和机器学习发展的10种方式

人工智能如今已经被提上了很多首席执行官的首要议程。虽然这个话题并不新鲜，但首席执行官们已经了解采用人工智能技术并不简单。为了实现这一目标，企业需要从他们的业务目标开始，然后以推进这些目标的方式使用人工智能技术，并希望可以增加业务价值。

与此同时，首席执行官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如何做。现在，他们开始意识到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一些平台或工具。然而自己开发的策略最终是一个冒险的提议。

跨国咨询机构埃森哲公司应用智能北美地区主管总经理Arnab Chakraborty表示：“行业领先的企业首席执行官的首要任务是重塑企业的未来，主要以人工智能和数据为动力。企业通过研究人工智能如何优化现有业务来释放价值，无论是在销售和市场营销、供应链、财务、人力资源等所有职能部门。”

毫不奇怪，人工智能也在首席信息官的首要议程上。全球专业服务商Genpact公司最近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表明，在接受调查的500位首席信息官中，48%的人表示，人工智能是他们的首要投资重点。

该公司首席数字官Sanjay Srivastava说，“这些首席信息官们表示必须投资人工智能。问题是为什么是现在?这是因为发生了三件事：技术变得更好;成本变得更低廉;需求大幅增加。”

以下是人们值得关注的10个人工智能和机器学习趋势：

1.伙伴关系将会发生变化

零售企业经营历来需要拥有核心竞争力，例如销售杂货或销售处方药的厂商。然而，为了方便顾客和提高零售商的销售份额，他们的产品可能有些重叠。传统上，这两种类型的公司之间没有太多的协同效应。

埃森哲公司的Chakraborty说，“Walgreens公司正在与Kroger公司开展合作，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，这些模式将由人工智能提供动力。”

为此，零售商需要做三件事：

(1)牢记业务目标并构建企业范围的数据主干;

(2)构建一个使业务人员能够处理数据的分析市场，;

(3)基于分析市场的洞察引擎，推动做出更好的决策。

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颠覆企业的业务，使高级用户(低代码用户)和普通业务员(无代码用户)能够构建简单的应用程序。类似的趋势正在发生在不同层次的数据科学上，例如数据集成、增强分析甚至模型构建。但是人们也有一些担忧。

多语言客户支持工具提供商Language I/O公司机器学习架构师SilkeDodel博士说，“如果企业的主要业务不是人工智能，并且他们只对将人工智能应用于业务洞察感兴趣，那么使用无代码或低代码人工智能和机器学习平台之一可能会满足他们的需求。但是，他们应该小心测试使用经过验证的基准数据，因为这本质上是一种黑盒方法，自定义模型内部工作的可能性有限。而想要将人工智能纳入其商业模式的企业可以开始使用人工智能领域供应商开发的现有模型，并使用迁移学习使它们适应其目的。”

企业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，这将有助于确保最佳模型可用于用户的利基应用程序。

3.迁移学习

迁移学习将机器学习应用于不同但相关的问题。实际上，企业将使用一些由数字巨头构建的机器学习模型，而不是从头开始构建它们。

全球数字和技术服务公司Pactera EDGE公司首席人工智能官Ahmer Inam说，“人工智能/机器学习领域最大的问题之一是开发人工智能解决方案的成本，这些解决方案可以在全球范围内有效地进行本地翻译。语音人工智能系统在理解口音和辨别方言方面存在困难——即使是在涵盖的语言中已经拥有训练的数据集。一般来说，我们构建、训练和扩展语音人工智能系统的当前范式需要改变，并且正在发生一些进步，例如训练数据、算法、训练框架，以及如何在设计和构建语音人工智能体验时考虑到最终用户(以人为中心的方法)。”

朝着正确方向迈出的一步是Facebook AI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(因此成本)繁重的最佳监督系统相媲美。Inam表示，wave2vec将显著加快语音人工智能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

一些企业努力从他们的人工智能和机器学习投资中提高投资回报率。但面临的问题可能是不切实际的期望，还有无法将实验室中开发的项目转化为生产项目。

数据分析和定制软件提供商Freya Systems公司的首席执行官Ben Johnson说，“人工智能技术正在从科学转向实际工程。近几十年来，重点是新算法和技术的研发。如今的重点又回到了数据战略、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并开发解决方案，将成熟的算法应用于数据。对我们来说，非常重要的是专注于问题并降低80%以上的项目失败率。这种重新聚焦将为人工智能和机器学习项目带来实际的投资回报率。”

5.企业将访问更多数据

许多企业已经用第三方数据补充了自己的数据。虽然API经济推动了这一趋势，但在未来，越来越多的企业将共享更多数据。

人工智能驱动的数字销售平台PROS的人工智能策略师和数据科学家Justin Silver说，“这不仅仅是生成更多的数据，而且是更有策略地生成和使用数据。除了企业改进他们自己的专有数据之外，还将看到改进数据的协作努力——例如企业之间的数据共享，以实现互惠互利，同时尊重隐私/机密性。例如，航空公司共享数据以识别对他们有帮助的趋势，以了解冠状病毒疫情对其业务的影响。”

6.商业专业人士需要精通人工智能

人机合作正在不断发展，随之而来的是知识的扩展和更丰富的技能组合。

Genpact公司的Srivastava说，“真正的问题是，企业如何扩大业务和员工的规模，并为未来的工作做好准备?现在需要更多了解金融、会计和机器学习的专业人士，以便他们能够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，以便他们能够将其应用于自动化制造和工作流程。”

7.更多采用AutoML

随着越来越多的企业加快人工智能主导的数字化转型，他们会发现需要将更多的工作实现自动化。

埃森哲公司的Chakraborty说，“人工智能价值链的许多初始部分都将实现自动化，例如数据摄取、捕获、构建数据管道、构建机器学习管道，以便员工可以更多地关注价值链的高端，即正在构建机器学习模型、进行特征工程和测试模型，而不是完成获得模型所需的所有管道工作。我们已经看到平台参与者(例如谷歌和其他公司)创造了许多机器学习功能，这些功能在自动化这些标准活动方面大有帮助，因此企业和数据科学家可以从事更高端的增值活动。”

8.联合学习专注于边缘智能

联合学习使模型能够被推到将被训练的边缘，而不必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到中央存储库，可以减少训练数据。

埃森哲公司的Chakraborty说：“这创造了一种更快的训练和部署模型的方式，而不会面临任何数据隐私问题的风险。如果在医疗保健行业，它可以帮助创建由人工智能驱动的新服务，以更有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

网络攻击正在真实发生，越来越多的网络攻击者和网络间谍正在试图通过添加越来越微妙、复杂和细微的人工智能攻击来获取企业的数据。

Genpact公司的Srivastava说：“人工智能是一种在数据上运行以生成结果的应用程序，所以现在它不再与应用程序有关。网络攻击为了破坏或窃取数据，所以其采用的人工智能将会选择错误的数据并得出错误的结果。企业的威胁面扩大，因此需要采用企业人工智能治理计划。”

10.人工智能将分诊医疗案例

人工智能可以“看到”医生看不到的东西，例如在计算机视觉环境中，X射线中可能存在细微的线索，例如可以对医生的诊断产生影响。然而更普遍的是，人工智能将使医生更精通他们的工作。

咨询机构Fast Layne Solutions公司总裁兼首席执行官Christopher J.Hughey说，“人工智能在分诊和初步诊断方面比医生要好得多，这是一个令人不快的事实。这不是试图从医生那里抢走工作，而是通过减轻医生的单调和耗时的工作来提高的他们效率。这在未来几十年至关重要，因为美国面临着医生和其他医护人员严重短缺的问题。”

事实上，根据美国医学院协会的预计，到2033年之前，美国短缺的医生数量为54100到139000名。华盛顿邮报凯撒家庭基金会最近进行的一项民意调查表明，美国30%医护人员正在由于职业倦怠、创伤后应激障碍和其他与疫情相关的压力因素而考虑离职。