人工智能的7個(gè)趨勢是什么，AI如何與操作機器學(xué)習協(xié)作？
隨著(zhù)人工智能（AI）變得越來(lái)越普遍，每個(gè)行業(yè)都競相開(kāi)發(fā)人工智能AI解決方案來(lái)推進(jìn)它們的用例，圍繞生產(chǎn)環(huán)境部署出現了實(shí)際的挑戰。
在我之前的文章中：如何從實(shí)驗轉向構建生產(chǎn)機器學(xué)習應用程序 ，我描述了將機器學(xué)習(ML)實(shí)驗用于生產(chǎn)部署的過(guò)程。在這篇后續文章中，我概述了有助于用戶(hù)簡(jiǎn)化和擴展整個(gè)機器學(xué)習生命周期的七個(gè)人工智能行業(yè)趨勢。我們將描述每個(gè)趨勢，討論為什么它對操作機器學(xué)習很重要，以及當企業(yè)決定利用趨勢來(lái)加速或改進(jìn)其操作ML實(shí)踐時(shí)，應該考慮哪些因素。
圖1顯示了一個(gè)典型的機器學(xué)習(ML)生命周期。隨著(zhù)時(shí)間的推移，ML功能相對于業(yè)務(wù)需求得到進(jìn)一步優(yōu)化，這個(gè)循環(huán)會(huì )重復。
趨勢一：數據市場(chǎng)
許多機器學(xué)習計劃的第一個(gè)挑戰是找到一個(gè)可接受的數據集。數據市場(chǎng)試圖解決數據集的短缺，尤其是在醫療和物聯(lián)網(wǎng)等關(guān)鍵領(lǐng)域，通過(guò)提供一個(gè)：個(gè)人可以分享他們的數據、公司可以使用數據進(jìn)行人工智能AI和分析的平臺。市場(chǎng)平臺保證了安全性、私密性，并提供了一個(gè)經(jīng)濟模型來(lái)激勵參與者。
數據市場(chǎng)可以提供其他難以獲得的豐富的數據，而且市場(chǎng)可以提供數據源并沿襲那些以后管理數據和確保質(zhì)量所需要的信息。
趨勢二：綜合數據服務(wù)
解決數據集短缺的另一個(gè)角度是合成數據集市場(chǎng)。機器學(xué)習技術(shù)的進(jìn)步已經(jīng)證明，機器學(xué)習本身可以產(chǎn)生真實(shí)的數據集來(lái)訓練其他ML算法，特別是在深度學(xué)習空間中。人工合成數據因其潛力而廣受贊譽(yù)，因為相對于能夠訪(fǎng)問(wèn)大量數據集的大型組織，人工智能AI可以為規模較小的公司提供公平的競爭環(huán)境。合成數據可以是真實(shí)數據集的匿名版本，也可以是真實(shí)數據樣本生成的擴展數據集，還可以是模擬環(huán)境，比如用于訓練自動(dòng)駕駛汽車(chē)的虛擬環(huán)境。
趨勢三：標簽服務(wù)
好的數據集是稀缺的，被標記的好的數據集更加稀缺。為了解決這個(gè)問(wèn)題，出現了一個(gè)數據標簽市場(chǎng)，它經(jīng)常關(guān)注特定的數據類(lèi)型(比如圖像中的對象)。其中一些標簽來(lái)自于跨地理區域協(xié)調并通過(guò)協(xié)調軟件管理的人工貼標簽者。公司正在這個(gè)領(lǐng)域進(jìn)行創(chuàng )新，將人工和基于機器學(xué)習的標簽結合起來(lái)，這是一個(gè)有潛力降低純人工標簽成本的趨勢。這一領(lǐng)域的其他創(chuàng )新包括使企業(yè)能夠與標識服務(wù)提供者直接交互的服務(wù)。
趨勢四：自動(dòng)化機器學(xué)習模型 一旦找到合適的數據集并貼上標簽，下一個(gè)挑戰就是找到一個(gè)好的算法并訓練一個(gè)模型。自動(dòng)化機器學(xué)習(AutoML)技術(shù)使算法/模型選擇和調優(yōu)過(guò)程自動(dòng)化，獲取一個(gè)輸入數據集，運行大量訓練算法和超參數選項，以選擇建議部署的最終模型。與AutoML相關(guān)(并且經(jīng)常在內部提供)，是利用深度特性合成等技術(shù)實(shí)現的特征工程自動(dòng)化功能合成。AutoML軟件有時(shí)也可以對輸入數據集執行偏差檢測。一些自動(dòng)解決方案是SaaS產(chǎn)品，而另一些是可下載的軟件，可以在云環(huán)境或內部環(huán)境中以容器形式運行。
趨勢五：預制容器 對于那些可能正在開(kāi)發(fā)自己模型的人來(lái)說(shuō)，容器是生產(chǎn)部署的一種完善的設計模式，因為它們使任何訓練或推理代碼都能夠在定義良好的可移植和可伸縮的環(huán)境中運行。Kubernetes等編制工具進(jìn)一步支持基于容器的機器學(xué)習ML的伸縮性和靈活性。然而，組裝容器可能是一項具有挑戰性的任務(wù)，因為必須解決依賴(lài)關(guān)系，并對整個(gè)堆棧進(jìn)行調優(yōu)和配置。預先構建的容器市場(chǎng)解決了這個(gè)問(wèn)題，為預先配置的容器提供了預先安裝和配置的必要庫，特別是對于復雜的環(huán)境，如GPUs。
趨勢六：模型市場(chǎng) 如果你不想建立或訓練自己的模型，有模型市場(chǎng)。模型市場(chǎng)使客戶(hù)能夠購買(mǎi)預先構建的算法，有時(shí)還可以購買(mǎi)經(jīng)過(guò)訓練的模型。這些對于以下用例是有用的： （a）用例是足夠通用的，因此不需要訓練定制模型，也不需要將訓練/推理代碼裝備到定制容器中； （b）像轉移學(xué)習這樣的機制可以用來(lái)擴展和定制基本模型； （c）用戶(hù)沒(méi)有足夠的訓練數據來(lái)建立自己的模型。 在模型市場(chǎng)中，處理數據和訓練一個(gè)好的模型這樣重要的工作可以被卸載，使用戶(hù)能夠專(zhuān)注于操作化的其他方面。也就是說(shuō)，模型市場(chǎng)的一個(gè)關(guān)鍵挑戰是篩選內容，以找到適合您需求的資產(chǎn)。
趨勢七：應用級人工智能服務(wù) 最后，對于跨業(yè)務(wù)存在的常見(jiàn)用例，應用程序級別的人工智能AI服務(wù)可以消除對整個(gè)操作機器學(xué)習ML生命周期的需求。人們可以訂閱執行人工智能任務(wù)的終端服務(wù)，而不是創(chuàng )建模型、訓練和部署它們。應用級人工智能AI服務(wù)包括視覺(jué)、視頻分析、自然語(yǔ)言處理(NLP)、表單處理、自然語(yǔ)言翻譯、語(yǔ)音識別、聊天機器人等任務(wù)。
好處和注意事項 上述所有趨勢都使用戶(hù)能夠簡(jiǎn)化或加快一個(gè)或多個(gè)操作機器學(xué)習ML生命周期的各個(gè)階段，通過(guò)卸載、重用預構建項，或者通過(guò)特定階段的自動(dòng)化。考慮到迭代機器學(xué)習ML流程是如何實(shí)現的(例如，訓練通常包括數十到數百個(gè)實(shí)驗)，自動(dòng)化這些流程可以產(chǎn)生更可跟蹤、可重現和可管理的工作流。外包這些任務(wù)甚至更容易，尤其是在強化了模型和算法的情況下(除了您自己的環(huán)境之外，已經(jīng)在許多環(huán)境中測試過(guò))可以用于基本任務(wù)。
也就是說(shuō)，在您的環(huán)境中使用這些服務(wù)之前，有幾個(gè)因素需要考慮：
1：考慮適用性 并不是所有的趨勢都適用于所有的用例。最普遍適用的趨勢是AutoML，它的應用范圍很廣。類(lèi)似地，模型市場(chǎng)有非常廣泛的模型和算法可用。數據集市和合成數據集趨向于特定于用例的類(lèi)，而預構建的容器可以特定于不同的硬件配置(如GPUs)，而這些硬件配置又適用于特定的用途。許多數據標簽服務(wù)也有特定的用途(比如圖像分類(lèi)和表單閱讀)，但一些咨詢(xún)公司確實(shí)提供定制的標簽服務(wù)。最后，端到端人工智能AI服務(wù)非常特定于用例。
2：人工智能信任 隨著(zhù)更多的ML被部署，人類(lèi)普遍對黑箱人工智能系統的恐懼表現為對信任的擔憂(yōu)和對監管力度的加大上。為了從人工智能AI中獲益，企業(yè)不僅要考慮生產(chǎn)機器學(xué)習ML的機制，還要考慮管理任何客戶(hù)社區的關(guān)注點(diǎn)。如果不加以解決，這些擔憂(yōu)可能會(huì )在客戶(hù)流失、企業(yè)出糗、品牌價(jià)值損失或法律風(fēng)險中具體化。
信任是一個(gè)復雜而廣泛的主題，但其核心是需要理解和解釋機器學(xué)習ML，并確信ML在預期的參數范圍內正確運行，不受惡意入侵。特別是，生產(chǎn)ML所做的決策應該是可解釋的——即必須提供可信服的解釋。這在諸如GDPR的解釋權條款等法規中變得越來(lái)越有必要。可解釋性與公平性密切相關(guān)——需要確信人工智能AI不是無(wú)意或故意做出有偏見(jiàn)的決策。例如，亞馬遜(Amazon)Rekognition等人工智能AI服務(wù)也因存在偏見(jiàn)而受到關(guān)注。
由于上面提到的幾乎所有趨勢都涉及到將機器學(xué)習ML生命周期的某些方面卸載或“外包”給第三方或自動(dòng)化系統，因此需要在每個(gè)階段進(jìn)行額外的了解，以確保最終的生產(chǎn)生命周期能夠交付信任的核心原則。這包括了解所部署的算法，用于訓練它們的數據集是否沒(méi)有偏見(jiàn)，等等。這些需求不會(huì )改變生命周期本身，但是需要付出額外的努力來(lái)確保正確的沿襲跟蹤、配置跟蹤和診斷報告。
考慮3：可診斷性和運營(yíng)管理
無(wú)論機器學(xué)習ML生命周期的組件來(lái)自何處，您的企業(yè)都將負責管理和維護ML服務(wù)在其生命周期中的健康狀態(tài)(除了人工智能趨勢7中完全外包的服務(wù)之外)。 如果是這樣，數據科學(xué)家和工程師必須了解正在部署的模型、用于訓練模型的數據集以及這些模型的預期安全操作參數。由于許多服務(wù)和市場(chǎng)都是新生的，所以目前還沒(méi)有標準化。用戶(hù)有責任理解他們所使用的服務(wù)，并確保服務(wù)能夠與生命周期的其余部分一起得到充分的管理。