2019年机器学习：追踪人工智能发展之路

　　IDC报告显示，预计机器学习工具和解决方案的企业级采用率将在本十年结束前达到65％ - 并且支出将达到460亿美元。平均而言，55％的企业CIO已将机器学习视为业务加速的核心优先事项之一。本文重点介绍了2019年机器学习将如何继续发展。

　　以下是亿欧智库为您带来的精选分享：

　　机器学习的新用例即将出现

　　今年早些时候，美国陆军宣布将使用定制的机器学习软件工具用于战斗车辆的预测性维护。换句话说，机器学习将能够预测车辆可能需要何时以及何种类型的维修服务。另一个有趣的机器学习用例是根据之前股票收益的记录预测股市波动。最近的一项研究表明，用机器学习预测股票市场具有60％以上的准确度。在医疗健康领域，机器学习模型被用于估计一个人的死亡概率（在这种情况下的准确率远远超过90％）。零售，营销和销售以及工业/制造业场景也常有机器学习的用例出现。 

　　“阅读”和“解释”过去的数据并预测未来 - 这是机器学习的本质而技术肯定会越来越精致。人工智能应用程序和机器学习工具的概念不再局限于机器人。相反，它们已成为业务工作流程和日常应用程序的自然扩展。

　　采用'针对机器学习优化的硬件'将会出现

　　2019年很可能是特别准备的硅芯片 - 具有定制人工智能和机器学习功能 - 成为主流，至少对于企业而言。在可预见的未来，人工智能优化硬件市场将继续快速增长。一系列新的，功能强大的处理设备将会出现 - 我们还可以看到高端CPU和GPU。总而言之，这些工具和平台将大大增强机器学习硬件的可用性。

　　云计算与机器学习结合

　　到2020年，全球云计算市场的年增长率约为25％。企业中机器学习的日益普及是推动这一激增的关键因素。为了成功实施“机器学习文化”，企业必须比以往更加关注创新 - 特别强调改进的云托管和基础设施参数。随着时间的推移，越来越多的“人工智能专用工具和系统”必须存储在云上 - 后者需要具有足够的安全性和可用性标准。强大、可扩展的云支持将帮助企业从机器学习无缝转移到深度学习，为最终用户提供更大价值，并提高他们的ROI数据。

　　从2019年开始，一般用户将开始更清楚地了解人工智能和机器学习流程的工作原理 。鉴于人工智能正在其存在的领域（例如：医学科学）的关键性质，人们想要知道技术如何得出其结论/预测是很自然的。

　　继续推进胶囊网络

　　神经网络的优点是，它们通常不考虑选择对象的相对方向或位置。因此，可能会出现“信息差距”。而胶囊网络就是为了而生的。它们很可能在2019年及以后取代许多传统的神经网络。在性能方面，这些胶囊网络比传统的神经网络系统更具优势 - 具有更准确的模式检测功能，而且在少量数据时，错误概率也大大降低。更重要的是 - 胶囊网络也不需要重复训练迭代，以“理解”变化。

　　基于机器学习算法的高级医疗保健模块，用于比较患者的医学图像和其他医疗图像，已经在使用。生物制药公司阿斯利康（AstraZeneca）计划广泛使用机器人和机器学习 - 用于在中国开发智能诊断系统。

　　人工智能助手的兴起和崛起

　　Siri和Google智能助理以及Alexa已经成为我们日常生活的一部分，而更重要的是，每个顶级“智能助手”都在逐年变得更加聪明。

　　基于5000个一般性问题，Siri设法回答了大约31％，其中近80％是正确答案;在同一项调查中，Google智能助理回答了超过67％的问题，准确度低于88％。

　　随着机器学习范围的扩大，人工智能助手已准备好超越智能家居。从明年开始，现代和起亚将开始在其新车型中提供内置的人工智能虚拟助手系统。这些助手将能够执行无数的任务 - 从远程家庭和汽车控制功能（通过语音）到目的地建议（基于先前的偏好）和导航指南。在所有生活范围内，具有机器学习功能的“智能助手”将使生活变得前所未有的简单。

　　智能聊天机器人（具有人工智能）也正在迅速崛起。但是，有必要保持警惕 - 因为训练数据集中的偏差会对用户体验造成严重损害。微软的'Tay'聊天机器人就是这种失败的典型例子。

　　开发人员将专注于使用机器学习解决更多“真正的问题”

　　当涉及到诸如人工智能（多用途无人机和自动监控摄像头以及自动驾驶汽车等）等技术时，它很容易过火。然而，重要的是要意识到 - 虽然所有这些事情都可以成为现实 - 但是，成熟的数据驱动型生态系统的步骤必须是渐进和系统化的。在2019年，应用程序开发人员和人工智能专家将关注使用机器学习来成功解决真正的重要需求（个人和业务） - 而不是简单地制作新的深度学习工具原型。