一份2020年人工智能趋势清单

本文主要是介绍一份2020年人工智能趋势清单，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”

作者：Roberto Sannazzaro

编译：ronghuaiyang

导读

2020 年已经来了，让我们对过去的一年做出一些思考，并对来年有所期待。

在这篇文章中，我想深入探讨人工智能的技术和非技术方面和趋势，讨论一些相对较新的趋势，比如从 AutoML 到人工智能的更清晰和伦理化的方面，这些方面正慢慢地影响着越来越多的公司和最终用户。

2019简短回顾:

2019 年，英特尔、高通和英伟达等大型芯片制造商发布了专门设计的芯片，只用于执行基于人工智能的应用程序，主要是在计算机视觉、自然语言处理和语音识别领域。

Google 发布了 TensorFlow 2.0，扩展了对 Node.js 上 TensorFlow 的支持，与 iOS 集成，最终正式将其高级 API 改为 Keras，使其成为移动和 PWA 上的第一。

此外，BERT 模型演变成 DistilBERT 或 FastBert，计算机视觉算法水平能够执行的大多数消费者的任务，并具有很好的准确性。

像 DeepMind 或 OpenAI 这样的大公司进一步推动了强化学习的边界。

最后但并非最不重要的是，Keras 的创始人 Francois Chollet 发表了一篇论文，提出了一种新的人工智能模型基准测试方法。

对2020有什么期待?

Automated machine learning (AutoML):

有能力执行 ETL 任务，数据预处理，变形的 AutoML 最有可能在 2020 年变得更受欢迎。

AutoML 技术可以处理整个机器学习过程，像auto-sklearn这样的包可以自动进行模型选择、超参数优化和评分，而不同的云提供商已经提供了一个“自动驾驶仪”来替代它们的服务：Amazon Forecast 自动决定哪个算法最适合数据，而谷歌也提供了类似的服务，Cloud AutoML。

基本上所有东西都变成了REST API。

乍眼一看，这样似乎主要集中为不熟练 AI 的用户使用这些服务提供了一个很好的机会，同时也可以为高级用户服务：AutoML 模型可以作为基准，可以用来作为基线评估如果使用不同的技术来来开发，这样花费的时间是不是有意义。

AI之死:

你还记得这个吗？

可能不会。我还记得今年早些时候，这是一些智能手机及其 AI 摄像头的广告。一切都会结束的。多个消费者应用程序、汽车、家用电器现在都已经嵌入了使用某种人工智能的功能。我们(消费者)已经习惯了。“人工智能”这个时髦词将慢慢淡出人们的视线，而人工智能功能将更多的被赋予消费者。

联邦机器学习:

早在 2017 年，谷歌就引入了分布式学习的概念，这是一种使用分散数据对模型进行部分或全部训练的方法。

考虑在你的机器上训练一个基线模型，然后将模型交付给最终用户，后者在他的手机、笔记本电脑和平板电脑上可以访问模型的数据，用于调整和个性化。

让我们考虑一个涉及一些高度敏感数据处理的模型：提供该模型的公司可以访问一些经过脱敏的数据，这些数据是专门为它们准备的。

一旦基线模型满足了某些需求，就可以将模型交付给客户，客户最终将进一步训练模型，而不需要与外部参与者共享任何用户数据。

如前所述，TensorFlow 2.0 支持其他平台，如 iOS、Node.js 等，其中一个原因是可能使这成为可能，为公司提供一个多平台工具来构建、发布、训练和优化。此外，像 Docker 和 Kubernetes 这样的平台提供了扩展和管理一个相对复杂部署环境的的可能性，使得联邦机器学习成为可能。

另一个联邦学习的例子是：你的手机在本地的个性化模型。对许多用户的更新进行聚合B，形成对共享模型C的一致更改。

云寡头的终结：

云计算在 2019 年变得越来越流行，很多人从“我们永远不会和他们分享我们的数据”变成了“好吧，也许我们可以试试”。

这是某种由药片控制的冷却系统吗？

云提供商的规模、数量、客户和产品都在增加，市场开始从寡头垄断转向完全竞争市场，这意味着云提供商正在慢慢失去定价能力。今年市场已经可能被不同的云供应商瓜分了，2020 年将多重云等产品的市场了，云提供商将不仅取决于他们的定价计划，还包括他们要用我们如何使用他们的服务：这个供应商希望我使用更多还是更少的资源？他们是在影响我把所有东西都存储在云中，还是有不同的数据分配解决方案？