-
UID:12641
-
- 注册时间2013-11-16
- 最后登录2023-11-02
- 在线时间364小时
- 配偶单身
-
-
- 发帖682
- 搜Ta的帖子
- 精华0
- 铜币48325
- 威望621
- 贡献值20
- 银元28073
-
访问TA的空间加好友用道具
- 发帖
- 682
- 铜币
- 48325
- 威望
- 621
- 贡献值
- 20
- 银元
- 28073
|
Ji%T|KR_ BE%#4c
.b Gartner:2018人工智能技术成熟度曲线 crZ\:LeJ &W".fRH_O .hETqE` E 人工智能被广为关注,但是一些想法恐难达到预期。本成熟度曲线将追踪AI基本趋势和未来创新,以确定人工智能技术发展的范围、状态、价值和风险。 mgH4)!Z*56 cJi5\<b KY2xKco 一、从曲线上消失的技术 RX7,z.9@'O p
m3? 2018年,以下几个技术已经从曲线上消失: $Iqt
c)DA TyGXDU ➧ 1、虚拟客户助理 /+02BP 7CrWsQl u ➧ 2、认知专家顾问
k"GW3E; Q8z>0ci3o ➧ 3、3级和4级自动驾驶 XXxX;xz$ i&"I/!3Q@ ➧ 4、深层强化学习 H^'*F->BA /PHktSG ➧ 5、智能应用程序 A/BL{ U} (Ozb +W? ➧ 6、信息技术操作人工智能平台 W!GgtQw{F |W\CV0L2 二、2018曲线五个阶段的关键技术 E$smr\ s{$c 8 (一)上升阶段 }tc,3>/ 4i/ TEHQ 1 人工智能管理 o*5|W9 ^[^uDE
< 用预测模型和算法,指导人工智能的应用和使用,优化决策权的分配,确保组织对风险的问责和投资决策过程的掌控。不论是何种人工智能,数据源要真实可信。为了避免片面的信息,要求汇聚新的、不同的,甚至是矛盾的数据与您已经使用的数据相结合,以尽量减少人工智能带来的偏见的风险。 Fv#ToT:QXe ]<++w;#+x 2 通用人工智能 )0qXZgs s&8QRI. 通用人工智能也被称为“强人工智能”。目前的人工智能看起来具有人类一样的学习、推理和适应能力,但它们缺乏常识、智能和广泛的自我维护和复制手段。在人工智能方面取得的实际进展仅限于弱人工智能。如今的人工智能技术无法被证明具有相当于人类智能的能力(对于证明此类智能的测试,缺乏共识本身就是一个问题)。在某种程度上,有可能制造出一台接近人类认知能力的机器,但我们很可能要等几十年才能完成必要的研究和工程。 QFDjsd4
*K-,<hJ#L 前沿人工智能技术正在推动目前被认为是“惊人的创新”,包括深度学习工具和相关的自然语言处理能力,这些创新正在做我们以前认为技术做不到的事情。然而,它们通常只是刚刚从实验室出现的研究工具,而且随着时间的推移,我们对工程原理没有完全的理解,反而了解它们的局限性,针对性制定可行的研发指导策略。随着这种好奇心热度逐渐消退,人们会慢慢开始感到厌烦。 `9b D%M 4v E,nx= 特殊用途的人工智能将对商业和个人生活产生巨大的破坏性影响。但是在技术出现重大突破之前,应该忽略任何供应商关于他们的产品具有通用人工智能这一说法,往往是程序员制造的幻觉。在未来10年内,通用人工智能不太可能出现。当它最终出现时,它很可能是许多特殊用途人工智能技术结合在一起的结果。 "F)7!e )1H]a'j 3 人工智能开发工具包 E
hd* (W*yF2r 人工智能(AI)开发工具包是指抽象数据平台、框架和分析库的应用程序和软件开发工具包(SDK),能够交付软件工程师启用的人工智能应用程序等。它们涵盖:云为基础的人工智能的服务;用于虚拟助理(例如苹果Siri、Amazon Alexa和Google助手)的工具包,设备开发工具包;以及AI服务SDK。软件工程师使用它们,并将AI集成到新的或现有的应用程序中。 u )
fbR RFQa9Rxk 在过去的18到24个月中,厂商一直在积极地提供面向开发人员的AI工具包和SDK。有代表性的产品包括:基于云的人工智能云服务平台(例如,Google Automl、AwsSagaker和Azure ML studio),用于虚拟助手的工具包(例如,Amazon Alexa技能工具包、Apple Sirikit、百度Dueros开放平台、Google对话框流和Cortana设备Sdk)设备开发工具包(例如microsoft vision AI)、SDK(例如,苹果的coreml和Google ML工具包)。 $zxCv7 F4">g
o 在所有类别中,供应商提供的产品都需要不同的部署考虑,并具有不同的特性覆盖范围差异,但我们预计,与原生PaaS平台相比,基于云的AIaas平台将降低数据科学的复杂性,从而更有利于开发人员采用。但是在数据准备、特征甄别、模型选择和培训、超参数优化和模型部署阶段各供应商之间差异很大。 YBHmd "QGP]F AI Developer工具包支持如图像识别(包括人脸和地标)、文本分析和图像标记。开发人员还可以在模型运行时部署自定义模型并可选择地更新云服务中的模型。设备开发工具包将定制硬件设备与API和SDK放在一起,以鼓励平台开发人员采用。随着平台支持被纳入更广泛的市场产品,直接平台供应商工具包产品将减少。 ?A,gDk/# :R<,J=+$u 全球对人工智能的需求是巨大的,其增长速度远远超过了有经验的数据科学家单打独斗的速度。随着数据产品的不断成熟,通过轻量级运行框架的扩展,实现对以边缘或以设备为中心的AI模型的支持。软件工程师和数据科学家的努力提高了用户对更广泛的、基于供应商的云平台产品的吸引力和粘性,包括平台即服务(PaaS)。 y5+-_x, nCXIWLw 4 知识图谱 7&m*:
J `|v0@-'$ 知识图谱由信息知识编码为由节点和链接边组成的网络图中的数据,而不是由行和列组成的表。专业供应商正在向新市场提供基于图形的产品,知名供应商正在其平台和产品中提供这种技术。 |l7e*$j }b6ja y 使用自然语言处理(NLP)和相关的文本分析技术,知识图谱非常适合存储从非结构化资源分析中提取的数据。它们还能够存储结构化数据,包括隐式提供结构和内容的元数据,编码支持各种用例的处理的信息。 SGjaH8z NWX~@Rg 应用程序领导者应该使用知识图谱将不同的概念连接起来,用缺失的信息丰富他们的数据。通过图表分析,可以自动发现和利用数字资产、数据源、过程交互产生的动态关系等。 jf .ikxm O{SU,"!y 5 神经形态硬件 j0:F E BD,~M*%z 神经形态硬件包括从概念上受神经生物学体系结构启发的半导体器件。神经形态处理器采用非von-Neumann体系结构,并实现与传统处理器截然不同的执行模型。它们的特点是处理元素简单,但互连性很高。 ^N0hc!$ a/`fJY6rR 神经形态系统处于非常早期的原型阶段。IBM已经向劳伦斯·利弗莫尔国家实验室提供了一个基于True North的系统。神经芯片的尖峰神经元自适应处理器技术和惠普企业的实验室产品是一些早期产品,英特尔的“Loihi”芯片凭借更高程度的连接性,解决了更广泛的人工智能工作负载。高通(Qualcomm)是神经形态处理器的早期代表。 !Y`nKC(=z ]!h%Jlu 神经形态硬件的部署主要障碍有:GPU比神经形态芯片更容易访问和编程;神经形态硬件编程需要新的工具和培训方法;互连的复杂性对半导体制造商创造可行的神经形态设备提出了挑战。目前,神经形态硬件还没有走上深度神经网络(DNNs)的主流道路,但随着编程技术的突破,这种情况可能会发生变化。 Y @pkfH @: %}clZ 神经形态计算体系结构可以为深层神经网络提供极端的性能,因为它们的工作功率非常低,并且可能比今天部署的基于GPU的DNNs系统可以更快地进行训练。此外,神经形态体系结构还可以为图形分析提供支持。今天的大多数神经形态体系结构没有被主流采用。然而,这些体系结构在未来五年内将变得成熟,并将融合新的机会。 k{"~G#GwP "+Xwc+v^ 设备还可能在边缘执行较低级别的DNN,从而减少带宽和中央处理限制。我们正处于一个极其快速的演化周期中,这是由全新的硬件设计、实用的DNN算法和用于训练的系统的大数据支持。神经形态设备有可能将DNN的触角进一步推向网络的边缘。 +>c)5Jih RQ}x7</{ 6 人工智能(AI)相关咨询与系统服务 s~M!yuH cs~
}k7>< 这是人工智能自动化服务的一个值得关注的方向,用于帮助客户构思用例、设计业务或优化IT流程、选择技术、管理数据、构建和培训模型、部署解决方案、评估和减轻风险以及调整人才组合以成功地形成智能解决方案,涉及一项或多项先进技术,如机器学习、深度学习和自然语言处理等。这种服务可以应用在预测,比如通过使用数据挖掘和模式识别的学习系统,提供洞察、检测异常、提供个性化、预测可能发生的事件;还可以应用在智能搜索,面向结构化和非结构化数据,在合同等文本中提取需要注意的相关关键条款,减少要读取的文本数量,并使员工能够将时间集中在相关条款上。 Qzb8*;4?FF s+Ln>c'|o 7 人环众包 &k
: | }Ct_i'Ow 人类基于算法的自动化来解决问题或执行任务,其实人类和智能之间是互补的,因为人类的数据输入方面改进了数据管理解决方案,从而进一步推进了人工智能。人环众包一是在规模上达到数据的基本要求;二是将群体贡献集聚为一个有意义的结果。谷歌、Facebook、亚马逊、微软、IBM、Ebay、百度和许多其他公司经常采用这一方法。在过去一年,采用已大大加快,主要是针对机器学习需求的数据标签和培训数据的质量。
`^F'af wQ(ME7t 尽管市场潜力很大,但人环众包还面临许多障碍,包括对其好处的认识不足,以及对质量、安全的担忧。随着整个人工智能市场的成熟,应用快速增长。在提高机器学习模型的准确性方面,人环众包是可行的(也可能是最可靠的)解决方案。从事人工智能和机器学习的公司应该使用人工循环众包作为人工智能解决方案的推动者。与内部或传统外包能力相比,这种方法产生了更多的流动成本和更广泛的问题解决、模型培训、分类和验证能力。 /Hx%gKU 3cQTl5, 当机器学习算法达到其精度极限时,人类可以进一步提高输出(如内容调整、文本中的细节检测验证或信息检索和搜索结果的验证)。 nSgg'I(
h/eKVRGs" 人环众包是不可缺少的。这种方法将极大地有利于分析团队将人类智能应用于非结构化文本、图像、音频和视频数据,用于人工智能、机器学习和信息质量,以及那些正在寻找一次解决方案或稀有技能的人,例如数据科学。这些任务可以包括对算法、元数据提取、校对、图像识别、内容创建等方面的培训数据的调整、分类,数据收集、产品分类、精炼产品描述、文本翻译、创建房地产的照片和音频转录等。 C+-~Gmrb(7 9OXrz}8C 8 自然语言生成 X+bLLW>& 1sn!! 自然语言生成(NLG)自动生成对数据洞察力的自然语言描述。在分析语境中,叙事是动态变化的,用户与数据交互以解释关键发现或图表的含义。NLG将自然语言处理与机器学习和人工智能相结合,动态地识别数据(趋势、关系、相关性)中最相关的含义。 /c__{?
go HTkce,dQ 文本分析侧重于从文本数据中获得分析结论,而NLG则通过将分析输出与动态选择的描述相结合来合成文本内容。虽然NLG仍处于初步采用阶段,但它正在有效地减少重复分析的时间和成本,例如业务和监管报告、金融服务部门的收益报告、政府部门的福利报表和天气预报以及广告部门的个性化信息。 6mMJ$FY+ a,lH6lDk 9 聊天机器人 `=%[ t(Iy[- 聊天机器人是一种独立的会话接口,它使用应用程序、消息平台、社交网络或聊天解决方案进行会话。聊天机器人的复杂程度各不相同,从简单的、基于决策树的营销策略,到构建功能丰富的平台作为支撑。聊天机器人可以是基于文本的,也可以是基于语音的,也可以是两者的结合。 *C's7O{O X-~Q 社交媒体、服务台、人力资源或商业领域的聊天机器人,如企业软件前端和自助服务,都在快速增长。尽管如此,绝大多数聊天机器人都是简单的,依赖于决策树中的脚本响应。与聊天机器人相关的是虚拟代理,它们的范围和复杂性更广,需要更多的基础设施和人员来维护,并且是为与其更长期的关系而设计的。单个交互之外的用户,将与数百个聊天机器人进行交互,但很少有虚拟代理。聊天机器人是人工智能的代表,它将影响到今天人类交流的所有领域。客户服务是一个典型的领域,聊天机器人已经在其中产生影响,并潜力巨大。 :vX;>SH$p HHa7Kh|-H (二)顶部位置
YgdoQBQ B^$l]cvZ 10 人工智能平台即服务 C=%go1! $ wF3mQ_hv:@ 云人工智能和机器学习平台服务统称为AI Platform as a Service(PaaS),它们提供AI模型构建工具、API和相关中间件,使运行在预先构建的基础设施上的机器学习模型的构建、培训、部署和使用成为云服务。这些服务涵盖视觉、语音和任何类型的通用数据分类和预测模型。 LNk
3=v2M
&AOw(?2 随着领先的云服务提供商,包括亚马逊(Amazon)、谷歌(Google)、IBM和微软(Microsoft),都在争取成为客户选择的平台。在过去几年里,利用云服务的人工智能应用在市场上继续获得数据科学家和开发人员的支持和接受。AI PaaS产品主要集中在机器学习、自然语言处理和计算机视觉这三个关键领域。 fs>0{ P|_?{1eO2 人工智能云方法正开始影响数据科学和机器学习平台市场,特别是随着组织试验和构建AI原型,具有AI优化芯片和大量专用的存储数据,使云成为组织构建和部署AI应用程序的理想环境,而不需要传统的现场采购的风险、成本和延迟。此外,云还提供了打包的API和工具,使开发人员更容易将AI功能集成到应用程序中。 0#sk ]Qz Gash
3}+ AI PAAS产品集中于机器学习、自然语言处理和计算机视觉这三个关键的AI组合服务:一是机器学习(ML),AI云服务提供商提供的打包ML服务统一了端到端ML工作流;二是自然语言处理(NLP),使用经过预先训练的NLP系统为各种用例创建基于云的聊天机器人;三是计算机视觉(CV),能够应用面部检测、识别和分析来解锁新的基于图像的数据来源。上述与云服务的结合,将在短期内加速数字商业技术平台服务的扩展和衍生。 U{eC^yjt"o Y6^lKw 11 深度神经网络专用芯片 "0zMx`Dh fgTv
wOSk 深度神经网络(DNN)专用芯片是一种特殊用途的处理器,它加速了系统的计算速度。深层神经网络(DNNs)是指检测和分类输入数据中的特征统计模型,如声音和图像,或者文本(如句子)。在DNN系统中有两个阶段:在训练阶段,DNN遍历大型数据集并将其提取为一个小的DNN参数集;在推断阶段,DNN使用此参数集对输入进行分类,例如图像、语音或文本。今天,绝大多数训练和推理任务使用GPU+DNN专用芯片,在加速神经网络时比CPU或GPU具有更高的性能和更低的功耗。 #@lr$^M
%#ms`"H 谷歌已经在规模上部署了DNN专用芯片,称为张量处理单元(TPU1,TPU2,TPU3),提供语音和图像识别等业务推断。TPU2和TPU3还加快了数据培训过程,这是以前委托给GPU的一项任务。其他专用芯片正在问世,Graphcore开发了一款自定义处理器,为基于DNN的应用程序提供了极高的性能。营销资料显示,与GPU相比,它们的性能提高了近一倍。英特尔还在根据2016年从Neurana系统获得新技术,开发一款名为“Lakecrest”的专用集成电路代码,名为“LakeCrest”。DNN 专用芯片在性能和能源消耗方面的好处是显著的,DNN专用芯片的广泛使用还需要神经网络体系结构的标准化和对不同DNN框架的支持。
_.Uz!2 cGOE $nL 12 智能机器人 < |