原标题:2020 年 AI 趋势摘要:可嵌入、可迁移、可评价
来源:AI 研习社 链接:https://www.yanxishe.com/TextTranslation/2335
在这篇文章中,我将深入探讨人工智能的技术和非技术方面以及发展趋势,讨论相对较新的趋势,比如从AutoML到人工智能更清晰和更道德的方面,这些趋势一天比一天慢慢地影响到更多的公司和最终用户。
2019年简单回顾:
2019年,英特尔、高通(Qualcomm)或英伟达(NVIDIA)等大型芯片制造商发布了专门设计用于执行基于人工智能的应用程序的芯片,主要用于计算机视觉领域、自然语言处理和语音识别。
由NVIDIA开发的Jetson Nano开发工具包。
谷歌发布了TensorFlow 2.0,扩展了对Node.js上TensorFlow的支持,并与iOS集成,最后正式将其高级API改为Keras,使其首先成为移动和PWA。
此外,BERT模型发展为DistilBERT或FastBert,计算机视觉算法在一定程度上能够以非常好的精度执行大多数消费者的任务。
像DeepMind或OpenAI这样的大公司进一步拓展了强化学习的领域,这一领域正在看到它的第一个实际应用。
最后但并非最不重要的是,Keras的创建者franois 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。
2020年可以期待什么?
自动机器学习(AutoML):
由于能够执行ETL任务、数据预处理、转换AutoML,在2020年很可能会变得更加流行。
AutoML技术可以处理整个机器学习过程,auto sklearn等软件包可以自动进行模型选择、超参数优化和评分,虽然不同的云提供商已经提供了一个“自动驾驶仪”替代他们的服务:Amazon Forecast自动确定哪个算法最适合数据,而Google也提供了一个类似的服务,cloud AutoML。
基本上所有的东西都变成了REST API。
虽然乍一看,这似乎主要是针对那些不太擅长人工智能的用户的,但这类服务也为更高级的用户提供了一个很好的机会:AutoML模型可以用作基准,作为一个基准来评估使用不同技术开发不同模型所花费的时间是否有意义。
ai之死:
你能说出一家公司的名字吗?这家公司现在的广告标题是:“现在使用电脑!“,”也可以在网上找到!“,”我们用传真!”?
你还记得这个吗?
可能不是。我还记得今年早些时候,一些广告牌上登着一款智能手机及其人工智能摄像头的广告。好吧,这就结束了。多个消费者应用程序、汽车、家用电器现在已经具备了嵌入式功能,已经在使用某种人工智能。这是我们(消费者)习惯的。流行语“人工智能”将慢慢淡出,人工智能的功能将被授予消费者。
你知道谷歌工作表已经使用人工智能了吗?
联合机器学习:
早在2017年,Google就引入了分布式学习的概念,即使用分散数据对模型进行部分或全部训练。
考虑在你的机器上训练一个基线模型,然后模型被发送给最终用户,最终用户可以访问用于微调和个性化模型的数据(在他的手机、笔记本电脑、平板电脑上)。
让我们考虑一个涉及处理一些高度敏感数据的模型:提供该模型的公司可以访问一些经过消毒的数据,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,就可以将模型发送到客户机,客户机最终将对其进行进一步的培训,而无需与外部参与者共享任何用户数据。
如前所述,TensorFlow2.0支持其他平台,如iOS、Node.js等,其中一个原因可能是为了实现这一点,为公司提供了一个多平台工具,用于构建、发布、培训和优化。此外,Docker和Kubernetes等平台提供了扩展和协调相对复杂环境部署的可能性,使联邦机器学习成为可能。
联合学习的另一个例子是:你的手机可以在本地对模型进行个性化设置。对许多用户的更新进行聚合(B)以形成对共享模型的一致性更改C。
云垄断的终结:
云计算在2019年变得越来越流行,很多人将“我们永远不会与他们共享数据”改为“好吧,也许我们可以试试”。
这是一种由平板电脑控制的冷却系统吗?
云提供商在规模、数量、客户和提供的产品方面都有所增加,市场正开始从垄断转向完全竞争的市场,这意味着云提供商正在慢慢失去成为价格制定者的能力。已经可以在不同的云提供商之间分配资源了,2020年将是多云市场跟踪器等产品的一年,云提供商不仅会根据他们的定价计划来判断,还会根据他们希望我们使用他们服务的方式来判断:这个提供商是否有兴趣让我使用更多或更少的资源?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?
可解释的、负责任的、可解释的和合乎道德的人工智能:
2019年,我们对XAI或可解释人工智能(Explainable AI)进行了深入研究,这是一系列鼓励算法可解释性和可重复性的实践。这种趋势与机器(和深度)学习在许多不同领域和不同公司中的应用不同。
模型不再是(也不应该是)黑匣子,从结果中做出的每一个决定都必须是可以解释的。
这一趋势需要一个新的数字,能够理解可解释性和(人类)可解释性的界限,能够回答诸如:“这是否符合我们的使命和价值观?”?”.
此外,应用机器学习技术解决可能排除或歧视某些用户群体的任务的公司,必须专注于他们对模型决策的法律和道德责任。
结论:
在公布了这些趋势的短名单后,很少有人会有这样的想法和考虑:
人工智能正在被嵌入:专门为特定任务设计的小型硬件组件。
人工智能正变得(越来越多)可转移:多平台支持、标准化和再现性。
François Chollet的人工智能基准测试方法可以成为机器智能的下一个图灵测试,论文的第3章详细解释了这个框架。
一THE END一
免责声明:本文来自互联网新闻客户端自媒体,不代表本网的观点和立场。
合作及投稿邮箱:E-mail:editor@tusaishared.com