在2018年，人們目睹了基于機器學習和人工智能的平臺、工具和應(yīng)用程序的急劇增長。這些技術(shù)不僅影響了軟件和互聯(lián)網(wǎng)行業(yè)的發(fā)展，還影響了醫(yī)療保健、法律、制造業(yè)、汽車和農(nóng)業(yè)等其他垂直行業(yè)。

人們將繼續(xù)看到2019年及以后的機器學習和人工智能相關(guān)技術(shù)的進步。亞馬遜、蘋果、Facebook、谷歌、IBM和微軟等公司正在投資研發(fā)人工智能，這將有助于生態(tài)系統(tǒng)將人工智能接近最終消費者。

以下是2019年人們需要關(guān)注的5種人工智能趨勢：

（1）人工智能芯片的興起

與其他軟件不同，人工智能十分依賴專用處理器來對CPU提供計算能力的補充。即使是最快和最先進的CPU也可能無法提高人工智能模型的訓(xùn)練速度。在推理時，該模型需要額外的硬件來執(zhí)行復(fù)雜的數(shù)學計算，以加速對象檢測和面部識別等任務(wù)。

2019年，英特爾、NVIDIA、AMD、ARM和高通等芯片制造商將推出專用芯片，加速執(zhí)行支持人工智能的應(yīng)用程序。這些芯片將針對與計算機視覺、自然語言處理和語音識別相關(guān)的特定用例和場景進行優(yōu)化。來自醫(yī)療保健和汽車行業(yè)的下一代應(yīng)用將依賴這些芯片為最終用戶提供智能服務(wù)。

2019年也將是亞馬遜、微軟、谷歌和Facebook等超大規(guī)模基礎(chǔ)設(shè)施廠商將增加對基于現(xiàn)場可編程門陣列（FPGA）和專用集成電路（ASIC）的定制芯片投資的一年。這些芯片將針對基于人工智能和高性能計算（HPC）運行現(xiàn)代工作負載進行大量優(yōu)化。其中一些芯片還將協(xié)助下一代數(shù)據(jù)庫加速查詢處理和預(yù)測分析。

早期項目是：亞馬遜的Nitro、谷歌Cloud TPU，微軟Project Brainwave、英特爾Myriad X VPU

（2）邊緣的物聯(lián)網(wǎng)和人工智能的融合

在2019年，人工智能在邊緣計算層將與物聯(lián)網(wǎng)結(jié)合。在公共云中訓(xùn)練的大多數(shù)模型將部署在邊緣。

工業(yè)物聯(lián)網(wǎng)是人工智能的頂級用例，可以執(zhí)行異常檢測、根本原因分析和設(shè)備的預(yù)測性維護。

基于深度神經(jīng)網(wǎng)絡(luò)的高級機器學習模型將進行優(yōu)化以在邊緣運行。他們將能夠處理視頻幀、語音合成、時間序列數(shù)據(jù)和由攝像機、麥克風和其他傳感器等設(shè)備生成的非結(jié)構(gòu)化數(shù)據(jù)。

物聯(lián)網(wǎng)將成為企業(yè)人工智能的最大驅(qū)動力。邊緣設(shè)備將配備基于FPGA和ASIC的專用人工智能芯片。

早期項目是：支持機器學習推理的AWS Greengrass、Azure IoT Edge人工智能工具包、Google Cloud IoT Edge、FogHorn Lightning Edge Intelligence和TIBCO公司的Project Flogo。

（3）神經(jīng)網(wǎng)絡(luò)之間的互操作性成為關(guān)鍵

開發(fā)神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵挑戰(zhàn)之一在于選擇正確的框架。數(shù)據(jù)科學家和開發(fā)人員必須從多種選擇中選擇合適的工具，包括Caffe2、PyTorch、Apache MXNet、Microsoft Cognitive Toolkit和TensorFlow。一旦模型在特定框架中進行了訓(xùn)練和評估，就很難將訓(xùn)練好的模型移植到另一個框架中。

神經(jīng)網(wǎng)絡(luò)工具箱之間缺乏互操作性阻礙了人工智能的采用。為了解決這一挑戰(zhàn)，AWS、Facebook和Microsoft合作建立了開放式神經(jīng)網(wǎng)絡(luò)交換（ONNX），這使得在多個框架中重用經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型成為可能。

在2019年，開放式神經(jīng)網(wǎng)絡(luò)交換（ONNX）將成為該行業(yè)的重要技術(shù)。從研究人員到邊緣設(shè)備制造商，生態(tài)系統(tǒng)的所有關(guān)鍵參與者都將依賴ONNX作為推理的標準運行時間。

早期項目是：Windows 10附帶運行ONNX、英特爾公司支持ONNX的OpenVINO工具包。

（4）自動化機器學習將更加突出

從根本上改變基于機器學習的解決方案的一個趨勢是AutoML。它將使業(yè)務(wù)分析師和開發(fā)人員能夠開發(fā)可以解決復(fù)雜場景的機器學習模型，而無需經(jīng)過機器學習模型的典型訓(xùn)練過程。

在處理AutoML平臺時，業(yè)務(wù)分析師會專注于業(yè)務(wù)問題，而不是迷失在工作流程中。

AutoML完全適用于認知API和自定義機器學習平臺之間。它提供了正確的自定義級別，而無需強迫開發(fā)人員完成精心設(shè)計的工作流程。與通常被視為黑盒子的認知API不同，AutoML具有相同程度的靈活性，但自定義數(shù)據(jù)與可移植性相結(jié)合。

早期項目是：DataRobot、Google Cloud AutoML、Microsoft自定義認知API、亞馬遜Comprehend的自定義實體。

（5）人工智能將通過AIOps使DevOps實現(xiàn)自動化

現(xiàn)代應(yīng)用程序和基礎(chǔ)設(shè)施正在生成日志數(shù)據(jù)，這些數(shù)據(jù)被捕獲以用于索引、搜索和分析。從硬件、操作系統(tǒng)、服務(wù)器軟件和應(yīng)用軟件中獲得的大量數(shù)據(jù)集可以被聚合和關(guān)聯(lián)，以發(fā)現(xiàn)洞察力和模式。當機器學習模型應(yīng)用于這些數(shù)據(jù)集時，IT操作從被動轉(zhuǎn)變?yōu)轭A(yù)測。

當人工智能的強大功能應(yīng)用于運營時，它將重新定義基礎(chǔ)設(shè)施的管理方式。機器學習和人工智能在IT運營和DevOps中的應(yīng)用將為組織提供智能。它將幫助運營團隊進行精確和準確的根本原因分析。

AIOps（智能運營）將在2019年成為主流。公共云供應(yīng)商和企業(yè)將從人工智能和DevOps的融合中受益。

早期項目是： Moogsoft AIOps、Amazon EC2 Predictive Scaling、Azure VM resiliency、Amazon S3 Intelligent Tiering機器學習和人工智能將成為2019年的關(guān)鍵技術(shù)趨勢。從業(yè)務(wù)應(yīng)用到IT支持，人工智能將對行業(yè)產(chǎn)生重大影響。