人工智能的7大趋势

趋势一：数据市场 许多机器学习计划的第一个挑战是找到一个可接受的数据集。数据市场试图解决数据集的短缺，尤其是在医疗和物联网等关键领域，通过提供一个：个人可以分享他们的数据、公司可以使用数据进行人工智能AI和分析的平台。市场平台保证了安全性、私密性，并提供了一个经济模型来激励参与者。

趋势二：综合数据服务 解决数据集短缺的另一个角度是合成数据集市场。机器学习技术的进步已经证明，机器学习本身可以产生真实的数据集来训练其他ML算法，特别是在深度学习空间中。人工合成数据因其潜力而广受赞誉，因为相对于能够访问大量数据集的大型组织，人工智能AI可以为规模较小的公司提供公平的竞争环境。合成数据可以是真实数据集的匿名版本，也可以是真实数据样本生成的扩展数据集，还可以是模拟环境，比如用于训练自动驾驶汽车的虚拟环境。

趋势三：标签服务 好的数据集是稀缺的，被标记的好的数据集更加稀缺。为了解决这个问题，出现了一个数据标签市场，它经常关注特定的数据类型(比如图像中的对象)。其中一些标签来自于跨地理区域协调并通过协调软件管理的人工贴标签者。公司正在这个领域进行创新，将人工和基于机器学习的标签结合起来，这是一个有潜力降低纯人工标签成本的趋势。这一领域的其他创新包括使企业能够与标识服务提供者直接交互的服务。

趋势四：自动化机器学习模型 一旦找到合适的数据集并贴上标签，下一个挑战就是找到一个好的算法并训练一个模型。自动化机器学习(AutoML)技术使算法/模型选择和调优过程自动化，获取一个输入数据集，运行大量训练算法和超参数选项，以选择建议部署的最终模型。与AutoML相关(并且经常在内部提供)，是利用深度特性合成等技术实现的特征工程自动化功能合成。AutoML软件有时也可以对输入数据集执行偏差检测。一些自动解决方案是SaaS产品，而另一些是可下载的软件，可以在云环境或内部环境中以容器形式运行。

趋势五：预制容器 对于那些可能正在开发自己模型的人来说，容器是生产部署的一种完善的设计模式，因为它们使任何训练或推理代码都能够在定义良好的可移植和可伸缩的环境中运行。Kubernetes等编制工具进一步支持基于容器的机器学习ML的伸缩性和灵活性。然而，组装容器可能是一项具有挑战性的任务，因为必须解决依赖关系，并对整个堆栈进行调优和配置。预先构建的容器市场解决了这个问题，为预先配置的容器提供了预先安装和配置的必要库，特别是对于复杂的环境，如GPUs。

趋势六：模型市场 如果你不想建立或训练自己的模型，有模型市场。模型市场使客户能够购买预先构建的算法，有时还可以购买经过训练的模型。

趋势七：应用级人工智能服务 最后，对于跨业务存在的常见用例，应用程序级别的人工智能AI服务可以消除对整个操作机器学习ML生命周期的需求。人们可以订阅执行人工智能任务的终端服务，而不是创建模型、训练和部署它们。应用级人工智能AI服务包括视觉、视频分析、自然语言处理(NLP)、表单处理、自然语言翻译、语音识别、聊天机器人等任务。