越來越多公司正嘗試引入人工智能解決方案，如聊天機(jī)器人和虛擬助手。

 

 

 

 

　　隨著自然語言生成（NLG）和自然語言處理（NLP）的新發(fā)展，2018年大數(shù)據(jù)及數(shù)據(jù)分析將變得更人性化。利用Automated Insights、Wordsmith等有內(nèi)在規(guī)則的系統(tǒng)，媒體和公司可以在將結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為基于自然語言的智能敘述。

 

　　即便是數(shù)據(jù)科學(xué)團(tuán)隊(duì)以外的人，也可以“讀懂”相關(guān)數(shù)據(jù)，這將使人工智能和大數(shù)據(jù)進(jìn)一步更普及，并且新的見解也將更快的速度誕生和傳播。社交媒體、市場營銷、體育競賽、財(cái)務(wù)報(bào)告等方方面面都實(shí)現(xiàn)了自動內(nèi)容生成。在即將到來的一年里，自動化內(nèi)容生成可能會在新聞報(bào)道和營銷方面獲得更多的推動力，幫助企業(yè)通過為受眾和客戶創(chuàng)建相關(guān)內(nèi)容，對新興趨勢、新聞和事件做出即時(shí)回應(yīng)。

 

 

　　Capsule網(wǎng)絡(luò)（CapsNet）是Google首席科學(xué)家Geoffrey Hinton在最近一篇論文中提出的一種新的深度神經(jīng)網(wǎng)絡(luò)形式。簡而言之，這種方法旨在克服CNN（卷積神經(jīng)網(wǎng)絡(luò)）多年來一直是圖像識別事實(shí)上的標(biāo)準(zhǔn)的缺陷——當(dāng)反饋的圖像與訓(xùn)練期間使用的圖像相似時(shí)，CNN很高效；但是，如果要求識別具有旋轉(zhuǎn)、傾斜或錯(cuò)位元素的圖像，則CNN的性能較差。

 

　　相反，膠囊網(wǎng)絡(luò)解釋了圖形元素之間的空間關(guān)系，并且理解了人類直觀地掌握的自然幾何圖案。

 

　　評論家預(yù)測膠囊網(wǎng)絡(luò)將成為圖像識別和計(jì)算機(jī)視覺領(lǐng)域的下一個(gè)重大突破。特別是——新的膠囊網(wǎng)絡(luò)將大大勝過CNN和其他圖像識別模型，并將能夠抵制旨在欺騙神經(jīng)網(wǎng)絡(luò)的白盒敵對攻擊。

 

 

　　直到目前，機(jī)器學(xué)習(xí)模型的訓(xùn)練大多都是在遠(yuǎn)程云集群上集中進(jìn)行的。人工智能公司不得不手動收集大量的訓(xùn)練數(shù)據(jù)集，并將它們提供給配備有用于機(jī)器學(xué)習(xí)的專用硬件（例如GPU）的數(shù)據(jù)中心中運(yùn)行的ML算法。這種集中模式的主要缺點(diǎn)是難以對人工智能軟件進(jìn)行滾動更新，并使用用戶和應(yīng)用程序產(chǎn)生的不斷輸入數(shù)據(jù)流來持續(xù)進(jìn)行培訓(xùn)。

 

　　但是，2017年4月，Google宣布在其Android鍵盤Gboard中使用新的聯(lián)合學(xué)習(xí)方法時(shí)，這些問題將產(chǎn)生決定性的改變。這種新穎的方法使移動用戶能夠與Android設(shè)備上的用戶數(shù)據(jù)協(xié)作訓(xùn)練共享ML模型。聯(lián)合學(xué)習(xí)的真正目的是通過在設(shè)備上直接使用AI模型，為數(shù)百萬移動用戶進(jìn)行眾包ML培訓(xùn)。將AI培訓(xùn)移動到移動設(shè)備可以幫助解決集中學(xué)習(xí)中涉及的高延遲和低吞吐量連接問題。

 

　　隨著邊緣計(jì)算的發(fā)展，分散式人工智能也可以聚集起來，將遠(yuǎn)程云應(yīng)用的密集計(jì)算轉(zhuǎn)移到數(shù)字設(shè)備感知和收集信息的前沿計(jì)算中。

 

　　將數(shù)據(jù)處理和分析移動到“現(xiàn)場”解決了與通過網(wǎng)絡(luò)發(fā)送數(shù)據(jù)相關(guān)的高延遲和低吞吐量的問題。

 

　　利用AI對無人駕駛汽車及無人機(jī)而言十分重要，它們需要在沒有網(wǎng)絡(luò)連接的情況下進(jìn)行實(shí)時(shí)深度學(xué)習(xí)，以避免網(wǎng)絡(luò)故障帶來的災(zāi)難性甚至是致命的后果。

 

　　為了彌補(bǔ)人工智能領(lǐng)域存在的差距，像Movidius（2016年被英特爾收購）的公司正在開發(fā)AI協(xié)處理器和邊緣神經(jīng)網(wǎng)絡(luò)，用于無人機(jī)和智能熱像儀的障礙物導(dǎo)航。

 

　　未來的一年，我們可能會看到更多的低功耗計(jì)算機(jī)視覺和圖像信號硬件和軟件的創(chuàng)新，它們可以專門用于AI在安全攝像頭和無人機(jī)等前沿設(shè)備上的集成。

 

 

　　在線生成的數(shù)據(jù)是目前數(shù)據(jù)分析和基于人工智能的解決方案的主要數(shù)據(jù)來源之一。然而，像亞馬遜這樣的大型零售商已經(jīng)進(jìn)入了一個(gè)由數(shù)字設(shè)備（例如商店和商場的傳感器和執(zhí)行器）收集的離線數(shù)據(jù)的未知領(lǐng)域。

 

　　在亞馬遜Go雜貨店，這些設(shè)備會跟蹤了客戶動向，看看客戶與產(chǎn)品交互的時(shí)間。亞馬遜傳感器收集的數(shù)據(jù)存儲在Android應(yīng)用程序和亞馬遜賬戶中，這些賬戶需要在Amazon Go商店中購物。這樣，亞馬遜就積累了大量有關(guān)消費(fèi)者的數(shù)據(jù)。

 

　　使用這些數(shù)據(jù)，人工智能算法可以獲得有關(guān)消費(fèi)者偏好和行為的見解，從而創(chuàng)建自動定價(jià)機(jī)制，并引入更高效的營銷，產(chǎn)品布局和銷售策略。

 

　　離線數(shù)據(jù)的來源不限于雜貨店。使用無人機(jī)和物聯(lián)網(wǎng)，人工智能公司將逐漸將我們生活的整個(gè)物理空間轉(zhuǎn)變成ML算法和模型的巨大數(shù)據(jù)源。

 

 

　　由于電池功率的限制和移動計(jì)算能力的限制，在移動設(shè)備上運(yùn)行AI軟件或訓(xùn)練ML算法被視為一大挑戰(zhàn)。

 

　　但轉(zhuǎn)折點(diǎn)是——在2017年，我們目睹了蘋果公司為iOS 11設(shè)計(jì)的ML文庫CoreML推出的設(shè)備和移動AI。

 

　　CoreML附帶了各種訓(xùn)練好的ML模型（例如用于圖像識別，文本檢測，圖像配準(zhǔn)和對象跟蹤），可以很容易地集成到iOS應(yīng)用程序中。技術(shù)優(yōu)化后，可以使設(shè)備擁有高效的性能。iOS開發(fā)人員正在進(jìn)一步完善技術(shù)，這將使得AI/ML應(yīng)用程序在2018年成為移動設(shè)備的主流。

 

　　目前的創(chuàng)新速度使得人們幾乎不可能把握AI的全部趨勢，但理解AI和機(jī)器學(xué)習(xí)適用性，在2018年將對企業(yè)產(chǎn)生重要的影響。