目录

• 2024年人工智能/机器学习趋势
• AI/ML对各个行业的影响
• 2024年后人工智能/机器学习的未来
• 结论

人工智能（AI）和机器学习（ML）一直在推动各个行业的变革，2024年这些技术具有更大的潜力。

根据最近的研究，我们77%的日常设备现在都配备了内置的人工智能功能。从一系列智能小工具到Netflix等流媒体平台上的个性化推荐，再到亚马逊的Alexa和谷歌主页等声控助手的出现，人工智能已成为技术便利背后的驱动力，这些便利已无缝融入我们的日常生活。随着这些技术的参与度迅速增长，有必要实施人工智能和ML测试流程，为用户提供无缝体验并确保安全。

根据普华永道进行的一项全面的人工智能研究，预计到2030年，在人工智能的参与下，全球经济的GDP将大幅增长26%。这一大幅增长有可能带来约15.7万亿美元的惊人增长，从而标志着全球经济的显著增长。随着企业越来越认识到人工智能和ML的价值，了解新兴趋势及其影响变得至关重要。

在本博客中，我们将探讨2024年的主要AI/ML趋势及其对各个行业的影响，并讨论这些技术的未来。

2024年人工智能/机器学习趋势

到2024年，我们可以预期，各行业对AI/ML的采用将大幅增加。随着组织意识到这些技术的竞争优势，他们将利用AI/ML来提高效率、优化流程和推动创新。以下是一些将在2024年占据主导地位的趋势：

深度学习算法的进展

深度学习是ML的一个子集，将在2024年继续发展。具有改进架构的神经网络将实现更准确的预测、自然语言理解和图像识别。这些进步将推动医疗保健、金融和自主系统的突破。

伦理人工智能与负责任的机器学习

随着人工智能对社会的影响越来越大，对道德人工智能和负责任的机器学习的关注将加剧。组织将在其人工智能系统中优先考虑透明度、公平性和问责制，确保其与社会价值观保持一致，避免偏见。

可解释人工智能与可解释性

随着人工智能应用变得越来越复杂，对可解释人工智能的需求将越来越大。利益相关者将深入了解人工智能系统如何做出决策，从而开发可解释技术，增强信任并促进监管合规。

边缘计算和边缘人工智能的兴起

边缘计算，即靠近源的去中心化数据处理，将在2024年获得突出地位。通过使人工智能功能更接近数据源，组织可以减少延迟，增强隐私，并在自动驾驶汽车、物联网设备和智能城市等应用程序中实现实时决策。

NLP和NLU的持续发展

自然语言处理（NLP）和自然语言理解（NLU）将在2024年取得显著进展。我们可以期待更复杂的聊天机器人、语音助手和语言翻译系统，它们可以改善类似人类的互动和对上下文的理解。在当前场景中，ChatGPT就是一个很好的例子。

AI/ML与物联网设备的集成

人工智能/机器学习与物联网设备的融合将在2024年加速。人工智能驱动的物联网应用程序将实现智能数据处理、预测分析和自动化，提高医疗保健、制造业和智能家居的效率并提供价值。

AI/ML对各个行业的影响

人工智能/机器学习已经彻底改变了各个行业，为它们提供了尖端技术，以提高生产力、效率和客户体验。从医疗保健到金融，从制造业到零售业，从教育到交通运输，AI/ML的影响在推动创新和改变这些行业的运营方式方面显而易见。让我们看看这些技术如何影响不同的行业：

医疗保健行业

人工智能驱动的诊断和治疗建议将改善医疗保健结果。ML算法将有助于疾病的早期检测，而个性化医疗将利用患者数据制定量身定制的治疗计划。人工智能辅助的机器人手术将提高精确度并最大限度地减少侵入性。

金融业

将通过分析大量数据的异常和模式的AI/ML算法加强欺诈检测和预防。算法交易和投资组合管理将利用ML模型进行实时决策。人工智能聊天机器人将增强客户支持，提供个性化帮助。

制造业

预测性维护和质量控制将利用AI/ML来检测异常情况并预测设备故障，最大限度地减少停机时间。供应链和物流优化将受益于增强需求预测和简化库存管理的人工智能算法。机器人技术和自动化将改变制造过程，提高效率和生产力。

零售业

通过分析客户数据、偏好和行为的AI/ML算法，将增强个性化营销和客户体验。需求预测和库存管理将优化库存水平并减少浪费。人工智能驱动的虚拟购物助理将提供个性化推荐，简化购物体验。

运输业

自动驾驶汽车和自动驾驶技术将彻底改变交通，提高安全性和效率。交通管理和路线优化将利用人工智能算法来减少拥堵并加强交通规划。车队的预测性维护将最大限度地减少故障并优化车辆性能。

教育产业

自适应学习平台将根据学生的需求和学习风格对教育内容进行个性化设置。智能辅导系统将提供个性化的指导和反馈，增强学习体验。自动化的评分和反馈系统将为教育工作者节省时间，并提供及时的评估。

2024年后人工智能/机器学习的未来

随着这些技术的不断发展和进步，2024年之后的人工智能/机器学习的未来具有巨大的潜力。随着不断的研究和开发，我们可以预测各行业的进一步增长和变革性应用。

跨行业和部门的整合

人工智能/机器学习将越来越多地渗透到不同的行业和部门，包括农业、能源和网络安全。集成AI/ML技术将为自动化、优化和数据驱动决策带来新的机遇。

AI/ML驱动的智能城市发展

智能城市的概念将越来越受欢迎，人工智能/机器学习在管理和优化城市基础设施方面发挥着至关重要的作用。智能系统将加强能源管理、交通流、废物管理和公共安全，创造可持续和宜居的城市。

增强人类与人工智能系统之间的协作

人类和人工智能系统之间的协作将变得更加无缝和自然。人工智能/ML技术将增强人类的能力，使人类能够专注于高层决策和创造性的问题解决，而人工智能则处理重复和数据密集型任务。

伦理考量与监管

随着人工智能/机器学习技术的进步，将更加重视伦理考虑和监管。利益相关者将优先考虑人工智能系统的公平性、透明度和问责制，而政府和监管机构将制定解决隐私、偏见和道德困境的框架。

量子AI：

量子人工智能代表了量子计算和人工智能的融合。这一创新领域利用量子力学的力量以前所未有的速度处理信息，在数据分析和解决问题方面提供了巨大的改进。量子人工智能将通过启用更复杂、更高效的人工智能算法来改变行业。它的潜在应用范围从高级药物发现到解决各个领域复杂的优化问题。尽管量子人工智能仍处于发展阶段，但它有望在技术和解决问题方面取得重大进展，使其成为未来研究和投资的关键领域。

结论

2024年及以后的人工智能/机器学习趋势在改变行业和塑造技术未来方面具有巨大潜力。接受这些趋势并利用AI/ML能力的组织将获得竞争优势，推动创新，并提供增强的客户体验。了解AI/ML的最新进展对于个人和企业抓住这些技术的机会至关重要。

更不用说人工智能和ML测试也将在确保成品或服务的可靠性和安全性方面发挥关键作用，并提供无缝的用户体验。要做到这一点，公司应该寻找经验丰富的QA外包公司，如专门从事人工智能和机器学习测试服务的TestingXperts。

无论是评估疫苗的安全性和有效性，协助x射线读数，还是跟踪社区对COVID-19的脆弱性，在整个大流行期间，人工智能都以新的和创新的方式投入工作。

在2019年大流行前快结束时，梅奥诊所(Mayo Clinic)的首席信息官克里斯·罗斯(Cris Ross)在加州的一个舞台上宣布，“人工智能是真实存在的。”

事实上,虽然有些人可能认为,人工智能和机器学习可能被利用在早期的COVID-19更好,虽然算法偏差的风险是非常真实的,毫无疑问,人工智能,发展和成熟的一组用例在医疗保健。

以下是在这不寻常的一年里，关于人工智能阅读次数最多的故事。

1. 英国将使用人工智能治疗COVID-19疫苗副作用。在这一天，以创纪录的时间研发出的疫苗首次开始在美国使用，值得记住的是人工智能在帮助世界进入这个希望的关键时刻中发挥的关键作用。
2. AI算法检测COVID-19患者的异常胸片。机器学习也一直是一种非常有价值的诊断工具，正如认知计算供应商看一种工具的故事所说明的那样。承诺基于肺部扫描进行“即时分诊”的人工智能——提供COVID-19患者更快的诊断并帮助资源分配。
3. AI用例在COVID-19时代是如何演变的。在HIMSS20数字演示中，来自谷歌云、Nuance和健康数据分析研究所的领导们分享了人工智能和自动化如何用于大流行应对的观点——从寻找疗法和疫苗，到优化收入周期策略的分析。
4. 微软推出4000万美元的医疗人工智能计划。健康公司说,五年的人工智能(AI 1.65亿美元的一部分,好的计划)将帮助世界各地的医疗组织在服务部署与前沿技术的三个关键领域:加速医学研究,改善全球理解防止COVID-19等全球健康危机和减少卫生不公平。
5. 人工智能和机器学习如何改变临床决策支持。“今天的数字工具只触及表面，”梅奥诊所平台总裁John Halamka博士说。“结合利用机器学习、神经网络和各种其他类型人工智能的新开发算法，可以帮助解决人类智能的许多缺点。”
6. 临床AI供应商Jvion公布了COVID社区脆弱性地图。在大流行的早期，临床人工智能公司Jvion推出了这张互动地图，它跟踪健康的社会决定因素，帮助确定人口普查区水平以下可能出现严重后果的人群。
7. 人工智能偏见可能加剧COVID-19对有色人种的健康差距。《美国医学信息学协会杂志》的一篇文章称，有偏见的数据模型可能会进一步加剧COVID-19大流行对有色人种已经产生的不成比例的影响。研究人员说:“如果不妥善处理这些偏见，在人工智能的掩盖下传播这些偏见，有可能夸大已经承受着最高疾病负担的少数群体所面临的健康差距。”
8. 人工智能在医疗保健领域的起源，以及它现在可以帮助该行业。“医学和人工智能的交集真的不是一个新概念，”亚马逊网络服务(Amazon Web Services)机器学习总监兼首席医疗官塔哈·卡斯-豪特(Taha Kass-Hout)博士说。(早在60年代中期，聊天机器人和其他临床应用就很有限。)但在过去几年里，它已经在整个医疗生态系统中无处不在。“今天，如果你看看PubMed，它引用了超过1.2万篇关于深度学习的出版物，超过5万篇关于机器学习的出版物，”他说。
9. 人工智能、远程医疗可以帮助解决医院员工的挑战。美国医院协会1月份的一份关于人工智能的行政、财务、运营和临床应用的报告指出:“对于大多数医院来说，劳动力是最大的单一成本，而劳动力对于提供拯救生命的关键使命是必不可少的。”“尽管存在挑战，但也有机会改善护理、激励员工并使其重新掌握技能，并使流程和商业模式现代化，这些都反映了在正确的时间和环境中提供正确护理的转变。”
10. 人工智能正在帮助重塑CDS，开启梅奥诊所(Mayo Clinic)对COVID-19的洞察。在HIMSS20的演讲中，JohnHalamka分享了明尼苏达州卫生系统最近取得的一些最有希望的临床决策支持进展，并描述了这些进展如何为一系列不同的专业提供治疗决策，并帮助形成其对COVID-19的理解。他说:“如果你能提供梅奥诊所历史上创造的每一张病理幻灯片，想象一下人工智能算法的力量有多大。”“这是我们正在努力的方向。”

原文：https://www.healthcareitnews.com/news/top-10-ai-and-machine-learning-stories-2020

本文：http://jiagoushi.pro/node/1424

讨论：请加入知识星球【CXO智库】或者小号【it_strategy】或者QQ群【1033354921】

人工智能 - 特别是机器学习和深度学习 - 在2018年到处都是，并且不要指望未来12个月的炒作会消失。

当然，炒作最终会消亡，人工智能将成为我们生活中的另一个连贯的线索，就像互联网，电力和燃烧在过去几天所做的那样。

但至少在接下来的一年，甚至更长的时间里，预计会有惊人的突破，以及评论员的持续兴奋和夸张。

这是因为人工智能承诺（或在某些情况下威胁）实现的商业和社会变革的期望超出了以往技术革命期间的梦想。

人工智能指向未来，机器不仅像工业革命那样完成所有的体力劳动，而且还有“思考”工作 - 规划，制定战略和做出决策。

陪审团仍然不清楚这是否会导致一个光荣的乌托邦，人类可以在更有意义的追求下自由地度过生命，而不是那些经济需要决定他们投入时间，或者普遍失业和社会动荡的人。

我们可能不会在2019年达到这些结果中的任何一个，但这是一个将继续受到激烈争论的话题。与此同时，我们可以期待以下五件事：

人工智能日益成为国际政治问题

2018年，在贸易和国防方面，世界主要大国越来越多地设法保护自己的国家利益。在世界上两个AI超级大国，美国和中国之间的关系中，这一点最为明显。

面对美国政府对用于制造人工智能的商品和服务的关税和出口限制，中国在研发方面加大了自力更生的力度。

中国科技制造商华为宣布计划开发自己的人工智能处理芯片，减少对该国蓬勃发展的人工智能产业的需求，以依赖英特尔和Nvidia等美国制造商。

与此同时，谷歌因其明显愿意与中国科技公司（许多与中国政府有联系）做生意而面临公众批评，同时由于担忧而退出（在员工施加压力之后）安排与美国政府机构合作它的技术可能是军事化的。

随着民族主义政治的复兴，这里有两个明显的危险。

首先，专制政权可以越来越多地采用人工智能技术来限制自由，例如隐私权或言论自由。

其次，这些紧张局势可能会损害世界各地学术和工业组织之间的合作精神。这种开放式协作框架有助于我们今天看到的人工智能技术的快速开发和部署，并且围绕一个国家的人工智能开发设置边界可能会减缓这一进展。特别是，它有望减缓围绕人工智能和数据的共同标准的发展，这可以大大提高人工智能的实用性。

走向“透明AI”

人工智能在更广泛的社会中的采用 - 特别是涉及处理人类数据时 - 受到“黑匣子问题”的阻碍。大多数情况下，如果没有彻底了解它实际上在做什么，它的工作似乎是神秘而深不可测的。

为了实现其全部潜在的AI需要得到信任 - 我们需要知道它对我们的数据做了什么，为什么以及在涉及影响我们生活的问题时如何做出决策。这通常很难传达 - 特别是因为AI特别有用的是它能够绘制连接并做出可能不明显甚至可能与我们相反的推论的能力。

但建立对人工智能系统的信任不仅仅是让公众放心。研究和业务也将受益于开放性，这暴露了数据或算法的偏见。有报道甚至发现公司有时会因为担心如果当前的技术被认为是不公平或不道德而可能在将来面临责任而拒绝部署人工智能。

在2019年，我们可能会越来越重视旨在提高人工智能透明度的措施。今年，IBM推出了一项技术，旨在将决策的可追溯性提高到其AI OpenScale技术。这个概念不仅可以实时洞察正在做出的决策，还有如何制作决策，在所使用的数据，决策权重和信息偏差潜力之间建立联系。

今年在整个欧洲实施的“一般数据保护条例”为公民提供了一些保护，使其免受那些仅通过机器对其生活产生“合法或其他重大”影响的决定。虽然它还不是一个极其热门的政治马铃薯，但它在公共话语中的重要性可能会在2019年增长，进一步鼓励企业努力提高透明度。

人工智能和自动化深入到每个企业

在2018年，公司开始更加坚定地掌握AI能做什么和不能做什么的现实。在过去的几年里，他们的数据按顺序排列，并确定人工智能可以带来快速回报或快速失败的领域，大企业作为一个整体准备好推进已经过验证的计划，从试点和软启动转向全球部署。

在金融服务中，每秒数千个事务的大量实时日志通常由机器学习算法解析。零售商精通抓取数据直到收据和忠诚度计划，并将其提供给AI引擎，以找出如何更好地销售我们的东西。制造商使用预测技术精确地了解机械可以承受的压力以及何时可能发生故障或失效。

在2019年，我们将看到越来越多的信心，这种智能的，预测性的技术，通过其在初始部署中学到的知识得到支持，可以在所有业务运营中大量推广。

人工智能将扩展到人力资源或优化供应链等支持职能部门，在这些部门，物流，招聘和解雇等方面的决策将越来越多地通过自动化来实现。用于管理合规性和法律问题的AI解决方案也可能越来越多地被采用。由于这些工具通常适用于许多组织，因此它们将越来越多地作为服务提供，为小型企业提供AI樱桃。

我们也可能会看到企业使用他们的数据来增加新的收入来源。在其行业内建立大型交易和客户活动数据库基本上可以让任何充分了解数据的业务开始“Googlify”本身。成为数据即服务的来源对John Deere等企业来说是一种转型，John Deere提供基于农业数据的分析，帮助农民更有效地种植农作物。 2019年，越来越多的公司采用这种策略，因为他们了解自己拥有的信息的价值。

人工智能创造的工作岗位将超过失去的工作岗位。

正如我在这篇文章的介绍中所提到的，从长远来看，它不确定机器的崛起是否会导致人类失业和社会纷争，一个乌托邦无用的未来，或者（可能更现实地）介于两者之间。

但是，对于明年，至少在这方面似乎不会立即出现问题。 Gartner预测，到2019年底，人工智能将创造更多的就业机会。

虽然自动化将损失180万个工作岗位 - 特别是制造业可能受到重创 - 将创造230万个。特别是，Gartner的报告发现，这些可能集中在教育，医疗保健和公共部门。

这种差异的一个可能的驱动因素是强调在将AI部署到非手动作业中时，将AI推向“增强”能力。仓库工人和零售收银员经常被自动化技术批发。但是，当谈到医生和律师时，人工智能服务提供商已经齐心协力将他们的技术展示为可以与人类专业人员一起工作的东西，帮助他们完成重复任务，同时给他们留下“最后的发言权”。

这意味着这些行业可以从技术方面的人力工作增长中受益 - 那些需要部署技术并培训员工使用它 - 同时保留开展实际工作的专业人员。

对金融服务而言，前景可能略显黯淡。一些估计，例如前花旗集团首席执行官潘伟迪（Vikram Pandit）在2017年做出的估计，预测该行业的人力资源在五年内可能会减少30％。由于后台功能越来越多地由机器管理，我们可以很好地在明年年底实现这一目标。

AI助手将变得非常有用

人工智能现在真正与我们的生活交织在一起，以至于大多数人都没有再考虑这样一个事实：当他们搜索谷歌，在亚马逊购物或观看Netflix时，高度精确的人工智能驱动的预测正在制定中体验流程。

当我们与AI助手（例如Siri，Alexa或Google智能助理）互动时，我们会更加明显地感受到机器人智能的参与感，以帮助我们理解现代世界中可用的无数数据源。

在2019年，我们中的更多人将使用AI助手来安排我们的日历，计划我们的旅程并订购比萨饼。这些服务将变得越来越有用，因为他们学会更好地预测我们的行为并理解我们的习惯。

从用户收集的数据使应用程序设计人员能够准确地了解哪些功能正在提供价值，哪些功能未被充分利用，可能消耗了宝贵的资源（通过带宽或报告），这些资源可以更好地用于其

因此，我们确实希望使用人工智能的功能 - 例如订购出租车和食品交付，以及选择参观餐馆 - 正在变得越来越精简和可访问。

除此之外，AI助手旨在提高对理解其人类用户的效率，因为用于将语音编码为计算机可读数据的自然语言算法，反之亦然，会有越来越多关于我们如何通信的信息。

显而易见，Alexa或Google智能助理与我们之间的对话在今天看起来非常不稳定。然而，在这一领域的快速加速理解意味着，到2019年底，我们将习惯于与我们分享生活的机器更加自然和流畅的话语。

关键要点

• 我们看到越来越多的公司使用深度学习算法。因此，我们将深度学习从创新者转移到了早期采用者类别。与此相关的是，深度学习存在新的挑战，例如在边缘设备上部署算法和训练非常大的模型。
• 尽管采用率正在缓慢增长，但现在有更多的商业机器人平台可用。我们在学术界之外看到了一些用途，但相信未来会有更多未被发现的用例。
• GPU 编程仍然是一项很有前途的技术，但目前尚未得到充分利用。除了深度学习，我们相信还有更多有趣的应用。
• 借助 Kubernetes 等技术，在典型的计算堆栈中部署机器学习变得越来越容易。我们看到越来越多的工具可以自动化越来越多的部分，例如数据收集和再培训步骤。
• AutoML 是一项很有前途的技术，可以帮助数据科学家重新关注实际问题领域，而不是优化超参数。

每年，InfoQ 编辑都会讨论 AI、ML 和数据工程的当前状态，以确定您作为软件工程师、架构师或数据科学家应该关注的关键趋势。 我们将讨论整理成技术采用曲线，并附有支持性评论，以帮助您了解事物的发展方式。 我们还探讨了我们认为您应该在路线图和技能发展中考虑的内容。

我们第一次将这些讨论记录为 InfoQ 播客的特别节目。 Bitcraze 的机器人工程师 Kimberly McGuire 每天都在使用自主无人机，她与编辑一起分享了她的经验和观点。

深度学习转向早期采用者

尽管深度学习在 2016 年才开始引起我们的注意，但我们现在正将其从创新者类别转移到早期采用者类别。我们看到有两个主要的深度学习框架：TensorFlow 和 Pytorch。两者都在整个行业中广泛使用。我们承认 PyTorch 是学术研究领域的主导者，而 TensorFlow 是商业/企业领域的领导者。即使在功能方面，这两个框架都倾向于保持公平，因此选择哪个框架取决于您对生产性能的要求。

我们注意到，越来越多的开发人员和组织正在收集和存储他们的数据，以便通过深度学习算法轻松处理这些数据，以便“学习”与业务目标相关的内容。许多人专门为深度学习建立了他们的机器学习项目。 TensorFlow 和 PyTorch 正在为多种类型的数据构建抽象层，并且也在他们的软件中包含了大量的公共数据集。

我们还看到用于深度学习的数据集的大小正在增加很多。我们看到下一个挑战是分布式训练，分布式数据和并行训练。此类框架的示例是 FairScale、DeepSpeed 和 Horovod。这就是我们在创新者类别的主题列表中引入“大规模分布式深度学习”的原因。

我们目前在行业中看到的另一个挑战与训练数据本身有关。一些公司没有大型数据集，这意味着他们从针对特定领域使用预训练模型中受益匪浅。由于创建数据集可能是一项昂贵的工作，因此为您的模型选择正确的数据是工程团队必须学习如何克服的新挑战。

深度学习应用程序的边缘部署是一个挑战

目前，在移动/手机、Raspberry Pi 甚至更小的微处理器等边缘设备上运行 AI 仍然存在挑战。挑战在于让您的模型在大型集群上进行训练，并将其部署在一小块硬件上。实现这一点的技术是网络权重的量化（使用更少的比特来表示网络权重）、网络修剪（去除贡献不大的权重）和网络蒸馏（训练一个较小的神经网络来预测相同的结果）。这可以通过例如 Google 的 TensorFlow light 和 NVIDIA 的 TensorRT 来实现。当我们缩小模型时，我们有时确实会看到性能下降，但性能下降多少，以及这是否是一个问题，取决于应用程序。

有趣的是，我们看到公司正在调整他们的硬件以更好地支持神经网络。我们在 Apple 设备以及具有张量核心的 NVIDIA 显卡中看到了这一点。谷歌的新 Pixel 手机也有一个 Tensor 芯片，可以在本地运行神经网络。我们认为这是一个积极的趋势，这将使机器学习在比目前更多的情况下可行。

有限应用的商用机器人平台越来越受欢迎

在家庭中，扫地机器人已经是家常便饭。一个越来越受欢迎的新机器人平台是 Spot：波士顿动力公司的步行机器人。它被警察局和军队用于监视目的。尽管这种机器人平台取得了成功，但它们的用途仍然有限，而且用例非常有限。然而，随着人工智能功能的不断增强，我们希望在未来看到更多的用例。

一种正在取得成功的机器人是自动驾驶汽车。 Waymo 和其他公司正在测试内部没有安全驾驶员的汽车，这意味着这些公司对这些车辆的能力充满信心。我们认为，大规模部署面临的挑战是扩大这些车辆的行驶区域，并证明这些车辆在上路之前是安全的。

GPU 和 CUDA 编程允许并行化您的问题

GPU 编程允许程序执行大规模并行任务。如果程序员有一个目标可以通过将一个任务拆分成许多相互不依赖的小子任务来实现，那么这个程序就适合 GPU 编程。不幸的是，对于许多开发人员来说，使用 NVIDIA 的 GPU 编程语言 CUDA 进行编程仍然很困难。有一些框架可以帮助您，例如 PyTorch、Numba 和 PyCUDA，它们应该使它更容易进入通用市场。目前大多数开发人员都在将 GPU 用于深度学习应用程序，但我们希望未来能看到更多应用程序。

半监督自然语言处理在基准测试中表现良好

GPT-3 和其他类似的语言模型在“通用自然语言 API”方面表现出色。他们可以处理各种各样的输入，并且打破了许多现有的基准。我们看到，以半监督方式使用的数据越多，最终结果就越好。它们不仅擅长正常的基准测试，而且可以同时推广到许多基准测试。

关于这些神经网络的架构，我们看到人们正在远离像 LSTM 这样的循环神经网络，转而支持 Transformer 架构。训练出来的模型非常庞大，使用大量数据，而且训练成本很高。这导致对用于生产这些模型的金钱和能源数量的一些批评。大型模型的另一个问题是推理速度。当您为这些算法开发实时应用程序时，它们可能不够快。

MLOps 和数据操作允许轻松训练和重新训练算法

我们看到所有主要的云供应商都在支持通用容器编排框架，例如 Kubernetes，它也越来越多地集成了对基于 ML 的用例的一流支持。这意味着人们可以轻松地将数据库作为容器部署在云平台上，并对其进行扩展和缩减。一个好处是它带有内置的监控。 KubeFlow 是一个值得关注的工具，它可以在 Kubernetes 上编排复杂的工作流程。

对于在边缘部署算法，我们看到了工具的改进。有 K3s，它是用于边缘的 Kubernetes。有 KubeEdge，它不同于 K3s。尽管这两种产品仍处于初始阶段，但它们有望改善基于容器的 AI 在边缘的部署。

我们还看到了一些支持完整 ML Ops 生命周期的产品。 AWS Sage maker 就是这样一种工具，它可以帮助您轻松地训练模型。我们相信，最终 ML 将被集成到完整的 DevOps 生命周期中。这将创建一个反馈循环，您可以在其中部署应用程序、监控应用程序，并根据发生的情况：在重新部署之前返回并进行更改。

AutoML 允许自动化部分 ML 生命周期

我们看到使用所谓的“AutoML”的人略有增加：一种使机器学习生命周期的一部分自动化的技术。程序员可以专注于获取正确的数据和模型的粗略概念，而计算机可以找出最好的超参数是什么。目前，这主要用于寻找神经网络的架构，以及寻找训练模型的最佳超参数。

我们认为这是向前迈出的一大步，因为这意味着机器学习工程师和数据科学家将在将业务逻辑转化为机器学习可以解决的格式方面发挥更大的作用。我们确实相信这一努力使得跟踪正在进行的实验变得更加重要。 MLflow 等技术可以帮助跟踪实验。

总体而言，我们认为问题空间正在从“寻找最佳模型来捕获数据”转变为“寻找最佳数据来训练模型”。你的数据必须是高质量的，你的数据集是平衡的，并且它必须包含你的应用程序的所有可能的边缘情况。目前，这样做主要是手工工作，需要对问题域有很好的理解。

成为机器学习工程师需要学习什么

我们相信机器学习的教育在过去几年也发生了变化。从古典文学开始可能不再是最好的方法，因为在过去几年中取得了如此多的进步。我们建议选择深度学习框架，例如 TensorFlow 或 PyTorch。

选择你想专攻的学科是个好主意。在 InfoQ，我们区分了以下几类学科：数据科学家、数据工程师、数据分析师或数据操作。根据您选择的专业，您想了解更多关于编程、统计学或神经网络和其他算法的信息。

作为 InfoQ 编辑，我们想要分享的一个建议是，我们建议参加 Kaggle 比赛。您可以在想要了解更多信息的领域中选择一个问题，例如图像识别或语义分割。通过构建一个好的算法并在 Kaggle 上提交结果，您将看到与参加同一比赛的其他 Kaggle 用户相比，您的解决方案的表现如何。您将有动力在 Kaggle 排行榜上获得更高的排名，并且通常比赛的获胜者会在比赛结束时写下他们用于获胜方法的步骤。通过这种方式，您可以不断学习更多可以直接应用于您的问题领域的技巧。

最后但同样重要的是，InfoQ 也有很多资源。我们经常发布有关机器学习最新和最伟大的新闻、文章、演示文稿和播客。您还可以查看我们的文章“如何被聘为机器学习工程师”。最后但同样重要的是，请确保您参加了 11 月举办的 QCon plus 会议并参加了“ML Everywhere”这一赛道。

原文：https://www.infoq.com/articles/ai-ml-data-engineering-trends-2021/

本文：https://jiagoushi.pro/node/1841

摘要：ChatGPT-4与151名人类参与者进行了三次不同思维测试，结果表明人工智能表现出了更高水平的创造力。这些测试旨在评估生成独特解决方案的能力，显示GPT-4提供了更原始、更精细的答案。

这项研究强调了人工智能在创意领域不断发展的能力，但也承认了人工智能代理的局限性和衡量创造力的挑战。尽管人工智能显示出作为增强人类创造力的工具的潜力，但其作用以及人工智能在创意过程中的未来整合仍存在疑问。

关键事实：

1. 人工智能的创意优势：ChatGPT-4在发散思维任务中的表现优于人类参与者，在反应中表现出卓越的独创性和精细化。
2. 研究的注意事项：尽管人工智能的表现令人印象深刻，但研究人员强调，人工智能缺乏能动性，需要人类互动来激活其创造力。
3. 人工智能在创造力中的未来：研究结果表明，人工智能可以作为一种鼓舞人心的工具，帮助人类创造力并克服概念上的固定性，但人工智能取代人类创造力的真实程度仍不确定。

资料来源：阿肯色大学

为人工智能再打分。在最近的一项研究中，151名人类参与者在三项旨在测量发散思维的测试中与ChatGPT-4进行了对比，发散思维被认为是创造性思维的指标。

发散思维的特点是能够为一个没有预期解决方案的问题生成一个独特的解决方案，例如“避免与父母谈论政治的最佳方式是什么？”在这项研究中，GPT-4提供了比人类参与者更新颖、更精细的答案。

Overall, GPT-4 was more original and elaborate than humans on each of the divergent thinking tasks, even when controlling for fluency of responses. Credit: Neuroscience News

这项题为“人工智能生成语言模型的现状在发散思维任务上比人类更有创造力”的研究发表在《科学报告》上，由美国大学心理学博士生Kent F.Hubert和Kim N.Awa以及Darya L.Zabelina撰写，美国大学心理科学助理教授，创造性认知和注意力机制实验室主任。

使用的三项测试是“替代用途任务”，该任务要求参与者对绳索或叉子等日常物品提出创造性用途；后果任务，邀请参与者想象假设情况的可能结果，比如“如果人类不再需要睡眠怎么办？”；以及分歧联想任务，该任务要求参与者生成10个语义上尽可能遥远的名词。例如，“狗”和“猫”之间没有太大的语义距离，而“猫”和“本体论”等词之间有很大的语义距离

对回答的数量、回答的长度和单词之间的语义差异进行了评估。最终，作者发现，“总的来说，GPT-4在每一项发散性思维任务上都比人类更具独创性和精细性，即使在控制反应的流畅性时也是如此。换言之，GPT--4在一整套发散性思维的任务中表现出了更高的创造力。”

这一发现确实有一些需要注意的地方。作者指出，“重要的是要注意，这项研究中使用的指标都是对创造力潜力的衡量，但参与创造性活动或成就是衡量一个人创造力的另一个方面。”

这项研究的目的是考察人类层面的创造力潜力，而不一定是那些可能已经建立了创造力证书的人。

Hubert和Awa进一步指出，“人工智能与人类不同，没有代理权”，“依赖于人类用户的帮助。因此，除非得到提示，否则人工智能的创造力一直处于停滞状态。”

此外，研究人员没有评估GPT-4反应的适当性。因此，尽管人工智能可能提供了更多的反应和更原始的反应，但人类参与者可能觉得他们的反应受到了限制，需要立足于现实世界。

Awa还承认，人类编写详细答案的动机可能并不高，并表示还有其他问题是“你如何操作创造力？我们真的能说对人类使用这些测试可以推广到不同的人吗？这是在评估广泛的创造性思维吗？”？因此，我认为这让我们批判性地审视什么是最流行的发散思维的衡量标准。”

这些测试是否是对人类创造力潜力的完美衡量并不是真正的问题。重点是，大型语言模型正在迅速发展，并以前所未有的方式超越人类。它们是否是取代人类创造力的威胁还有待观察。

目前，作者们继续认为，“向前看，人工智能作为灵感工具、帮助一个人的创作过程或克服固定性的未来可能性是有希望的。”

停止尝试构建更好的数据鼠标陷阱

公司向数据驱动和人工智能嵌入式企业转型的最大问题之一是，“数据思维”专注于构建“更好的数据仓库”。重点是呈现某种形式的“规范视图”的“黄金”数据。

这会毁了你的公司

这种心态假设报告实际上很重要，为报告构建数据是数据架构应该做的事情，因为历史上没有一个数据仓库能够实现“以每个人都能以一致的方式使用的方式为业务提供所有信息”的目标，所以构建更好的捕鼠器的循环仍在继续。问题是，报告可能是老鼠，但人工智能是老虎。

数据没有“奖章表”

首先要打消的想法是，数据中有一些神话般的奖牌表。坦率地说，这源于这样一个现实，即构建应用程序的人过去并不关心数据，因此系统中的数据充满了问题，主要是因为应用程序不需要对数据进行任何“智能”处理，只需要为事务提供服务。

这导致了这样一种想法，即初始数据是“脏的”，没有实际用途，需要一个昂贵且耗时的过程才能将其转化为有用的数据。因此，“原始”数据被视为有效地隐藏在任何用途之外。然后，它有一个最初的策展，将其变成“青铜”，然后越来越多的策展直到它成为每个人都可以依赖的“黄金”数据。

你的“黄金”是黄铁矿(Pyrite)

这种心态假设你无法对数字现实进行操作控制。它让你在缺乏控制的情况下感到舒适，并将控制权投入到神话般的数据质量管道中。

如果你不能对数字现实进行操作控制，那么你的人工智能愿景就注定要失败

人们坐在会议上达成一致的“黄金”观点，即每个人都同意“质量”和清理规则，然后转化为转化管道，提供会议认为正确的观点。

然后，您会发现企业将这些数据下载到Excel或本地报告解决方案中，添加其他数据，通常是“不干净”的运营数据，然后做出业务决策。

怪财务，但他们有原因

这种心态的主要驱动因素之一是财务团队，因为他们向市场报告并安排审计，然后他们有特定的时间点，数据必须“正确”，不需要一直正确，只需要在正确的时间正确。财务团队将所有这些糟糕的数据整理、重述、应用市场规则，然后将其出版在一本书中，这本书就是公司的业绩。

因此，当你把金标准出版成书时，这种管道思维是有道理的，因为它不是一个移动的“东西”，它不是可操作的，它是对业务的高级视图，是在特定时刻创建的，用于监管目的。

可悲的是，数据人不仅采用这种财务方法，还接受这样一种观点，即以某种方式出版成书是信息的黄金标准，因此每个人都应该遵守以书为标准的出版。

你不是在写数据书

数据就是你的数字现实，这意味着运营就是数据现实

这种数据仓库的思维方式粉碎了一个简单的事实：

人工智能要想产生真正的影响，就需要基于对现实的准确看法做出反应

这一现实只有两部分：

• 现在是什么
• 曾经的一切都是什么

如果你不能为人工智能创建一个准确的决策上下文，那么它就不会做出一个好的决策。如果你对人工智能的训练是基于对你的历史的稀疏和不准确的看法，那么人工智能将从根本上存在缺陷。谷歌的DeepMind已经显示出了强力应对天气等随机挑战的能力。这种学习和训练是基于准确的历史，比传统模型更好地预测的能力是基于精确的数字现实。谷歌并不是为了将天气数据出版在书中而通过委员会来推动天气数据的通过，而是利用当前的准确现实来推动更准确的结果。

这就是挑战：现实

现实的商业问责制，或者只是为遗产而建

人工智能世界中的数据心态是：

数据主要由人工智能使用和消费

人工智能的大部分影响将以运行速度完成。或者回到我们的奖牌数据表…

因此，所有为创建数据之书而设计的漂亮架构实际上对人工智能并不有用。你需要改变你的架构，使其适应人工智能驱动的世界，而不是数据只用于报告的流程驱动的传统。

你需要关注构建数字现实的治理，而不是旨在编写数据书的治理。你需要考虑的是控制而不是质量。

我们不是生活在报告和数据书的世界里，我们生活在一个人工智能驱动的世界，数据是你的数字现实，这是数据反转，数据引导而不是跟随。

这意味着改变我们构建系统的方式，使其成为数据驱动的，并以最能使人工智能参与驱动决策的方式构建数据。

数据参与而非参与奖杯

事实是，传统的数据仓库思维及其神话般的“完美”后交易数据集的想法之所以存在，是因为历史上的数据并不重要，除了财务法规。IT产业的重要部分是事务系统，而数据的最重要部分是业务委托的解决方案，很多时候意味着Excel或临时业务报告。除了结账之外，“黄金”数据被简单地视为这些商业观点的另一个因素。

未来是不同的，人工智能对未来至关重要，人工智能以运营速度工作，可以参与运营决策。这是数据在业务中的参与，是业务的日常、逐分钟运行，而不仅仅是事后报告。

它的核心是一句简单的话：

商业成功取决于人工智能依赖数字现实的能力

因此，您处理数据的方法不是报告，而是数字现实，并确保企业负责。越来越多的业务线效率将由人工智能驱动，越来越多的商业领袖需要在其业务领域内理解和控制人工智能。如果你的数据体系结构没有解决这个问题，那么你所要做的就是向你的数据沼泽倾倒技术债务。

报道数字现实很容易

现在，对于那些传统思想家来说，这种转变有一个积极的方面，这是他们一直抱怨的事情，即使他们的架构回避了解决这个问题。如果你有一个准确的数字现实，那么报告它很简单，你的“原始”数据在操作上是准确的，而这种操作控制要求他们还生产出推动人工智能跨业务合作所需的协作数据产品，所有这些都意味着报告是基于对现实的准确看法。对于几乎所有的业务来说，这是足够且简单的。在金融领域，他们可能仍然需要在出版书籍之前操纵一些信息：税收规则、等级制度、许可证等可能需要一些调整，但对于销售、供应链、制造业、人力资源等，能够报告现实是他们一直想要的。

如果你对我认为你应该做的事情感兴趣，那么Data Mullet是一个很好的起点

你在工作中看过机器人吸尘器吗？它一开始很有趣，当你看到它错过了你想要它清洗的一块污垢时，它变得越来越恼人。人工智能的前景是一样的。它可以使日常工作自动化，并带来显著的实际价值；但如果你不小心，你可能会花大部分时间反复撞到同一面墙上，或者在第20次被困在乱七八糟的电缆中。不幸的是，有证据表明，企业花在纠结上的时间比从人工智能中获取价值还多：

• 84%的客户关心用于提供算法的数据质量。
• 86%的企业声称他们没有充分利用数据。
• 74%的受访者表示，他们的数据环境非常复杂，限制了灵活性。

和机器人吸尘器一样，要想取得好的效果，关键是要先整理一下。人工智能利用复杂的数学和先进的计算能力来传递结果，但驱动所有花哨的数学和昂贵的硬件的是数据。数据是人工智能的生命线，如果不能很好地掌握数据的管理，人工智能将无法产生积极的效果。

公司已经从传统的内部部署模式，将数据存储在业务应用程序（如ERP）下的受管数据库中，转变为应用程序同时位于云中和内部部署的模式。数据现在来自结构不太合理的来源（如社交媒体、博客、传感器）。其结果是数据的前景越来越复杂。这种复杂性伴随着大量的新工具来帮助管理所有新的数据类型、格式和位置。

管理大量新数据为人工智能提供动力

随着公司试图跟上这股新数据的洪流，数据湖作为所有数据的单一存储区供以后使用的想法变得流行起来，从而产生了更多的工具和技术。很快，企业IT系统的高度管理的数据与全面但往往不受控制的大规模数据池和来自博客、系统日志、传感器、物联网设备等的数据流之间出现了断裂。但人工智能需要连接到所有这些数据，以及图像、视频、音频和文本数据源。仅仅想管理所有这些连接就需要多个断开和碎片化的工具。直到现在。

全面的新云解决方案通过管理以下三个关键事项在整个企业范围内扩展人工智能：

• 你需要的数据，不管它在哪里或是什么样的数据
• 使用数据科学团队希望使用的工具和框架设计机器学习算法
• 使用云容器部署机器学习，以便能够快速部署、管理和自动化大规模人工智能的端到端生命周期

人工智能是一种团队合作，需要以下各方之间的协调与合作：

• 了解组织及其客户需求的业务用户
• 了解数据位置和结构的数据工程师
• 了解如何从数据中获取价值的数据科学团队
• 支持他们的IT和DevOps团队

你的人工智能团队的每一个成员都应该能够一起工作以获得最大的生产力和速度，并由软件支持，该软件提供了用于治理、元数据管理和机器学习透明度的内置工具。这种方法使您能够确保他们努力的结果能够被解释、理解和信任。

创建人工智能装配线

正如第二次工业革命是由实体制造的装配线推动的一样，第四次工业革命将由人工智能装配线推动：人工智能的创造能力将被分解为由业务流程组合在一起并在规模上实现自动化的专门部分。通过这种方式，组织可以从其数据资产中获取最大价值，并向其消费者和客户提供最佳体验。

原文：https://www.digitalistmag.com/cio-knowledge/2019/05/23/artificial-intelligence-without-data-intelligence-is-artificial-06198533

本文：http://jiagoushi.pro/node/1005

讨论：请加入知识星球或者微信圈子【首席架构师圈】

欢迎收看我们的特别版时事通讯，重点报道“2023年人工智能热门新闻”今年是人工智能领域的里程碑，展示了重塑技术和我们日常生活的突破性进步和创新。从大型企业投资到革命性的技术发布，2023年的每个月都带来了非凡的成就。

加入我们，一起走过这十二个关键时刻，展示人工智能如何继续发展并影响各个行业。

一月

微软向OpenAI投资100亿美元

DALL·E

微软公司向OpenAI nAI投资了100亿美元，加剧了与Alphabet和亚马逊等科技巨头的人工智能竞争。这项投资支持了微软的Azure云服务，将为OpenAI提供更高的人工智能模型开发计算能力。其目的是将OpenAI的尖端人工智能融入微软的消费者和企业产品中，包括Azure OpenAI服务，该服务具有GPT-3.5和DALL-E等工具。这一战略联盟标志着微软最重大的投资，突显了其对人工智能创新和云计算领导力的执着。

二月

微软的Bing聊天由GPT-4提供支持，用户超过1亿

在集成了由GPT-4提供支持的人工智能聊天机器人ChatGPT后，微软的必应搜索引擎的用户已超过1亿。微软消费者首席营销官Yusuf Mehdi宣布了这一里程碑，突显了用户参与度的显著提高，以及对将传统搜索与聊天界面相结合的新网络体验的需求转变。以ChatGPT为特色的Bing移动应用程序的推出促进了这一增长。尽管早期存在挑战，用户对人工智能的反应也有反馈，但微软仍在继续改进聊天机器人，重点关注用户对聊天行为和对话深度的控制。这一发展代表着搜索技术的重大进步，表明该行业格局的潜在转变。

三月

OpenAI的GPT-4在LSAT、SAT和律师考试中表现出色

OpenAI的GPT-4在几次学术考试中表现出色，尤其是在LSAT考试中获得了163分（满分180分），大大超过了中位数。它在SAT的阅读和数学测试以及律师考试中也取得了令人印象深刻的成绩。尽管取得了这些成绩，OpenAI承认GPT-4和它的前辈一样，仍然有局限性，包括“幻觉”事实和犯推理错误的倾向。因此，建议在使用语言模型的输出时要谨慎，尤其是在高风险的环境中。

四月

谷歌DeepMind和Brain团队合并

谷歌将其谷歌DeepMind研究团队与谷歌研究公司的Brain团队合并，成立了谷歌DeepMind。这一举措由DeepMind首席执行官德米斯·哈萨比斯领导，旨在加快人工智能的发展，应对重大的科学挑战。谷歌DeepMind将专注于负责任地构建先进的通用人工智能系统，结合顶尖人才和资源。此次合并是谷歌战略的一部分，旨在加强其在竞争激烈的人工智能市场中的地位，以应对微软和OpenAI等竞争对手的进步。

五月

谷歌推出PaLM 2：一种集成到谷歌产品中的通用语言模型

2023年5月，谷歌推出了PaLM 2，这是一种集成到其产品阵容中的通用语言模型，包括Bard、Gmail、谷歌文档和表单。此举标志着将人工智能技术嵌入日常生产力工具，提高谷歌服务的用户体验和效率的重大进步。PaLM 2的部署标志着科技行业的一个关键时刻，展示了人工智能在改善数字工作流程和通信方面日益重要和集成。

六月

Midjourney的V5图像生成器：摄影现实主义的飞跃

Midjourney发布了V5.2机型，标志着图像生成技术的重大进步。这一最新版本以其创造具有非凡细节、生动色彩、平衡对比度和精心安排构图的图像的能力而闻名。它提高了对提示的理解能力，并增强了对--styleize参数的响应能力，从而实现了更大的艺术控制和创造力。Midtravel在人工智能图像生成方面的这一发展标志着在创建高度逼真和视觉冲击的数字图像方面迈出了显著的一步。

七月

Adobe推出萤火虫：AI驱动的图像生成，实现创意自由

Adobe推出了Adobe萤火虫，这是一个革命性的创意生成人工智能模型家族，旨在让所有技能水平的用户都能生成高质量的图像和令人惊叹的文本效果。萤火虫集成到Adobe的各种云中，如创意云和文档云，为内容创建带来了精确和轻松。Adobe为保护其内容的创作者提供了“请勿培训”标签等功能，并计划允许用户用自己的创意资产扩展萤火虫的培训，从而提高了个人创造力和生产力。第一个模型专注于商业用途，经过了Adobe Stock图像和公共领域内容的培训，以确保版权安全。萤火虫旨在提高内容创作的效率，甚至计划为Adobe股票贡献者建立一种补偿模式，反映出Adobe致力于支持创作者的才华并将其货币化。

八月

Meta的人工智能聊天机器人

脸书的母公司Meta宣布在人工智能聊天机器人领域迈出创新一步，计划推出具有独特个性的人工智能聊天平台。这些聊天机器人预计将与Facebook和Instagram等主要社交平台集成。这些聊天机器人旨在增强用户参与度，旨在提供个性化和多样化的互动体验。用户可以与人造亚伯拉罕·林肯的聊天机器人进行对话，也可以从具有酷炫冲浪者形象的聊天机器人那里获得旅行提示。这一发展标志着Meta致力于在其平台上创造更具吸引力和多样性的人工智能驱动互动。

九月

Runway的Gen-2推进了文本到视频的生成

总部位于纽约的人工智能视频初创公司Runway发布了对其Gen-2文本到视频生成器的重大升级，显著提高了视频的保真度和一致性。这一升级提高了人工智能生成视频的分辨率，使其更加逼真和清晰，具有复杂的细节和更流畅的运动。Gen-2型号最初允许通过文本提示创建4秒的视频片段，8月份扩展到18秒，提供了更广泛的创作可能性。“导演模式”的引入实现了更逼真的相机运动，如平移和缩放，开创了“人工智能电影制作”的新时代Runway的创始人Cristóbal Valenzuela庆祝了这一里程碑，尽管它引发了关于人工智能对传统电影和媒体制作角色影响的争论

十月

亚马逊推出仿人机器人

亚马逊推出了一款名为Digit的新型人形机器人，在机器人领域取得了重大进展。Digit目前在华盛顿州萨姆纳的BFI1实验设施处于测试阶段，旨在帮助仓库中的人类工人完成特定任务。这款两足机器人是与敏捷机器人公司合作开发的，配有两只手臂、两条腿和一个独特的蓝色胸部，胸部有方形的眼睛灯。Digit能够移动、转动和举起亚马逊标志性的黄色手提包，旨在提高手提包回收任务的效率。尽管仍处于早期开发阶段，但它在“交付未来”活动中的推出标志着亚马逊致力于将先进的机器人技术融入其运营。亚马逊机器人公司的研发总监Emily Vetterick强调了测试和接收反馈的重要性，特别是关于机器人的人形外观。

十一月

Google Bard现在可以为您观看YouTube视频

谷歌巴德推出了一项引人注目的创新，推出了新的YouTube扩展，显著扩展了人工智能聊天机器人的功能。这一扩展使巴德能够以非凡的精度理解和分析YouTube视频中的内容。这一功能代表着人工智能技术的重大进步，对用户和内容创作者都有深远的影响。它强调了人工智能在各种形式的数字媒体中的不断演变和整合，增强了我们与视频内容的互动和理解方式。

十二月

苹果的iPhone人工智能革命

苹果公司通过开发一种在iPhone上运行大型语言模型（LLM）的方法，使用闪存存储人工智能数据，在人工智能方面取得了重大进展。这一创新使人工智能处理在CPU上的速度提高了4-5倍，在GPU上的速度加快了20-25倍。这一突破可能会在未来的iPhone中带来更先进的Siri功能和复杂的人工智能驱动功能。苹果也在开发自己的人工智能模型“Ajax”，旨在与OpenAI的GPT模型竞争，并将人工智能更深入地融入其生态系统。

当我们结束2023年人工智能巅峰时刻的旅程时，很明显，今年是人工智能历史上的一个里程碑。我们所看到的发展不仅突出了人工智能技术的快速发展，而且也日益融入我们的日常生活和工作。展望未来，这些进步为更令人兴奋的未来奠定了基础，在未来，人工智能所能实现的界限不断被进一步推动。我们希望这份时事通讯能为您提供宝贵的见解，让您更深入地了解人工智能的动态世界。感谢您与我们一起探索这些变革时刻。

83%的组织认为人工智能有能力将其业务运营提升到一个新的水平[1]。事实上，几乎没有哪个行业忽视了人工智能所能提供的创收潜力。虽然人工智能的快速采用给组织和最终用户带来了许多好处，但它也带来了一些挑战。这促使许多企业高管寻求更有效的人工智能项目管理方法。

在这篇文章中，我们将全面讨论人工智能项目的方法，从如何为人工智能项目做准备到如何有效地管理它。继续阅读以获得更多见解。

如何为人工智能项目做准备

在Databricks最近的一项调查中，研究人员发现90%的组织从事人工智能项目，但其中只有三分之一的项目是成功的[2]。我们认为，他们失败的主要原因是许多组织忽视了人工智能实施中的一些基本步骤。

在开始人工智能项目之前，您应该采取以下四个步骤：

关注项目的预期目的

你想通过人工智能项目实现什么？这听起来可能很简单，但许多公司在启动人工智能项目之前，没有明确定义他们试图解决的问题。

另一个问题是对人工智能的力量抱有不切实际的期望。虽然它确实适用于许多应用，但人工智能并不是魔法；有些问题太复杂了，任何人工智能解决方案都无法解决。一个成功的人工智能项目的关键是针对具有与当前技术状态相称的可实现目标的应用程序。

这对你来说可能很有趣：估计人工智能项目的交付时间和成本

建立持久的基础

我们经常看到公司在一次性分析中使用过时的数据提取进行人工智能实验，这些数据从未投入生产。在其他情况下，数据科学家花了几个月的时间创建一个人工智能模型来获得一个好的预测，但每次需要新的预测时，他们都必须重做这个过程。

解决这一问题的最有效方法是随着时间的推移对自然进行建模。这意味着，随着数据的变化和发展，组织应该自动向其人工智能模型提供准确、最新的数据。他们还应验证模型中数据集的质量，以避免出现偏差。

最重要的是，组织应该将人工智能项目视为能够扩大规模并持续下去的项目。毕马威会计师事务所最近的一份报告发现，尽管60%的受访组织使用智能自动化，但只有11%的组织使用可扩展的集成解决方案方法[3]。

弥合数据科学与业务目标之间的差距

机器学习不应仅用于生产环境。还应该利用它来帮助实现业务目标。因此，在你开始一个人工智能项目之前，确保你的数据科学家了解你的商业需求。

通过这种方式，您的数据科学团队可以超越实验，创建准确且可重复的预测，最终帮助您实现业务目标。

将人工智能分为两类

你的人工智能项目属于哪一类？你可以将你的项目纳入现有的人工智能，也可以创建一个自定义的人工智能项目来解决特定的需求。

• 现有的人工智能解决方案：将人工智能纳入已有的模型变得越来越普遍。有许多现成的工具可以让您以最适合您的业务的方式集成解决方案。其中包括亚马逊机器学习、谷歌人工智能平台和微软Azure人工智能等平台。
• 自定义人工智能解决方案：如果你手头有一个复杂的项目，那么将你的项目集成到预先存在的模型中是不可能的。在这种情况下，您必须求助于定制的人工智能解决方案开发。

如何管理人工智能项目

识别问题

管理一个成功的人工智能项目的第一步是确定你试图解决的问题和你想要的结果。当你在做这件事的时候，重要的是要注意，人工智能本身不是一种解决方案，而是一种满足需求的工具。

阅读更多关于人工智能开发的信息：内部与外包

测试问题解决方案的适用性

在你开始你的人工智能项目之前，首先测试它是否能解决问题是很重要的。您可以通过各种技术来测试问题解决方案的适合性，如产品设计冲刺[4]和传统的学习方法。

准备和管理您的数据

当你知道人工智能项目可以解决预先确定的问题时，你现在可以通过收集数据和管理数据来启动你的人工智能项目。您可以先将可用数据划分为结构化和非结构化数据集，然后在必要时清理数据。如果您使用的是一个庞大的专有数据库，您可能需要采用新的数据管理解决方案[5]，使其更易于访问。

选择正确的算法

有不同类型的算法可供选择。你的选择将完全取决于你的项目。例如，如果你正在进行一个机器学习项目，你可以在有监督学习和无监督学习之间进行选择[6]。有两种类型的算法用于监督学习；分类和回归。分类预测标签，而回归预测数量[7]。然而，如果您处理的是非结构化数据，则可能需要使用无监督学习，通过使用聚类算法来查找不同对象和数据集之间的链接。

训练算法

一旦选择了算法，现在就可以继续训练模型，从而在保持数据准确性的同时将数据输入到模型中。在这个阶段，您可能需要聘请精通java、C++和python的技术专家，这取决于您项目的具体需求。

部署项目

为了获得最佳效果，您应该使用现成的平台作为服务来满足您的产品发布和部署需求。现成的平台专门设计用于简化和促进人工智能，并帮助人工智能项目的部署阶段。一些平台还提供基于云的高级分析，您可以使用这些分析为项目添加其他语言和算法。

人工智能项目方法的最后思考

成功的人工智能项目方法的关键在于正确的规划和使用正确的数据。

例如，涉及预测性人工智能的项目需要以分时间的方式存储大量结构化数据，以便他们能够“学习”并做出预测。

理解并接受正确规划和使用高质量数据原则的组织可以充分实现其人工智能项目的价值，而不必从一个实验转向另一个实验。如果您正在寻找一位合作伙伴来帮助您了解人工智能咨询的复杂性，我们很乐意与您交谈，并为您提供我们的专家建议。

工具书类

每年，作为我们MAD项目的一部分，我们都会在数据驱动的纽约市做一次演讲，介绍我们在数据和ML/AI方面看到的顶级趋势。（这是2022年的版本供参考）。

今年，我和FirstMark的同事Kevin Zhang一起做了这次演讲，这是一次顶级趋势的旋风之旅，而不是任何特别深入的东西，因为我们试图保持简短。但希望它能为任何有兴趣回顾的人提供一个关于这些领域正在发生的事情的良好概述。

请参阅以下内容：

• 视频（20英尺53英寸）
• 易于阅读的热门趋势列表
• 幻灯片

https://youtu.be/JejZ2SKnwP8

为了便于阅读，以下是十大趋势的回顾：

数据基础架构：

1. 资金陷入停滞
2. 捆绑和整合
3. 压力下的现代数据堆栈
4. 收敛与简化

ML/AI:：

1. 人工智能成为主流（和多模式）
2. 资金：在人工智能领域，它就像1999年一样是派对
3. 人工智能的新政治经济学：大型科技公司与AGI研究实验室
4. 新的创业机会：GenAI SaaS和LLMOps
5. 不可避免的反弹：人工智能伦理与安全
6. “人工智能战争”达到新的强度

https://docs.google.com/presentation/d/1-vvmB-l4UqdpugUpgnOKp0ALoxvNaFn…