2020 年技術趨勢一覽:AutoML、聯邦學習、雲寡頭時代的終結

csdn 發佈 2020-01-12T19:24:43+00:00

FrançoisChollet 的 AI 基準測試新方法可能會成為下一次機器智能的圖靈測試,其論文的第3 章詳細說明了該框架。

作者 | Roberto Sannazzaro,Ben Longstaff

譯者 | 夕顏

出品 | AI科技大本營(ID:rgznai100)

在 2020 年來臨之際,新年前夕往往是人們回顧過去一年並展望來年的好時機。本文將深入探討了關於 AI 的技術和非技術方面的趨勢,討論一下相對較新的趨勢,如AutoML、AI 道德等,因為這些趨勢正逐漸與越來越多的公司和用戶息息相關。

簡單回顧下2019年

在 2019 年,英特爾、高通和英偉達等大型晶片製造商發布了專門設計用於僅執行基於 AI 應用程式的晶片,主要用於計算機視覺領域、自然語言處理和語音識別。

英偉達開發的 Jetson Nano Dev Kit

谷歌發布了 TensorFlow 2.0,擴展了對 Node.js 上 TensorFlow 的支持,與 iOS 集成,並最終將其高級 API 正式更改為 Keras,使移動性和 PWA(Project Web Access)成為首選。

此外,BERT 模型演進為 DistilBERT 和 FastBert,計算機視覺算法達到了可以非常精確地執行大多數消費端任務的水平。

DeepMind 和 OpenAI 之類的大型公司進一步突破了強化學習的邊界,該領域正在見證在現實世界中的首次應用。

最後但重要的一點是,Keras 的創建者 FrançoisChollet 發表了一篇論文,提出了一種基準化 AI模型的新方法。

然而,2020年我們有哪些期待?

自動化機器學習(AutoML)

具有執行 ETL 任務,進行數據預處理和轉換的能力,AutoML 很有可能在 2020 年變得更加流行。

AutoML 技術可以處理整個機器學習過程,諸如 auto-sklearn 之類的程序包可以自動進行模型選擇,超參數優化和評分,而其他雲提供商已經提供了服務的「自動儀錶盤」替代方案:Amazon Forecast 可以自動確定最適合數據的算法,Google 也提供類似的服務 Cloud AutoML。

基本上,一切都變成了REST API(應用編程接口)

儘管乍看之下,這似乎主要是針對那些不太了解 AI 的用戶,但這些類型的服務也為高級用戶提供了很好的機會:AutoML 模型可以用作基準,可以用來評估花費時間使用不同的技術開發不同的模型是否有意義。

AI之死

你能說出如今有哪家公司會用類似的標題做廣告嗎:「現在使用計算機!」,「也可以在網際網路上使用!」,「我們使用傳真!」?

你還記得這個嗎?

可能不會吧。我仍然記得今年年初,有一些廣告廠商在宣傳他們的智慧型手機及其 AI 攝像頭。好吧,以後不會有了。現在,很多消費類應用程式、車輛和家用電器上已經具有使用某種 AI 的嵌入式功能。我們(消費者)會習慣的。熱詞「 AI」將逐漸淡出人們的事業,但會變成消費者習以為常的 AI 功能。

聯邦機器學習

早在 2017 年,Google 引入了分布式學習的概念,該方法使用去中心化的數據對模型進行部分或全部訓練。

在計算機上訓練基準模型,然後將模型交付給最終用戶,最終用戶可以訪問數據(在他的手機、筆記本電腦、平板電腦上),這些數據可用於微調和模型個性化。

試想一下,如果一個模型要處理一些高度敏感數據:提供該模型的公司可以訪問為它們專門準備的經過清理的數據。

一旦基準模型滿足某些要求,就可以將模型交付給客戶端,客戶端可以繼續進行訓練,而無需與外部參與者共享任何用戶數據。

如前所述,TensorFlow 2.0 支持其他平台,例如 iOS、Node.js 等,原因之一可能是使這種設想成為可能,從而為公司提供了一個用於構建、傳輸、訓練和優化的多平台工具。此外,諸如Docker 和 Kubernetes 之類的平台還提供了擴展和協調相對複雜環境的部署的可能性,從而使聯邦機器學習成為可能。

聯邦學習的另一個示例:你的手機可以在本地對模型進行個性化設置。匯總(B)用戶更新並形成對共享模型的共識更改C。

雲寡頭時代的終結

雲計算在 2019 年變得越來越流行,許多人從「我們將永遠不會與他們共享我們的數據」變了想法,「好吧,也許我們可以嘗試一下」。

平板電腦可以控制這樣的冷卻系統嗎?

隨著雲廠商的規模、數量,客戶和產品的增加,市場開始從寡頭壟斷轉向開放競爭的局面,這意味著雲廠商正在逐漸失去做價者的能力。現在已經實現在不同的雲廠商之間分配資源,而 2020年將是多雲市場跟蹤器等產品之年,人們判斷雲廠商的指標將不再僅限於其定價計劃,而且還有他們為用戶提供服務的方式:這個廠商是否有興趣讓我使用更多或更少的資源?他們會影響我將所有內容存儲在雲中,還是可以有不同的數據分配解決方案?

Deepfakes影響擴大

Photoshop 讓我們懷疑在網上看到照片的合法性。Deepfakes 正在對視頻做著同樣的事。

美國官方對 Deepfakes 對 2020 年大選對 Facebook 高管的影響表示擔憂。預計 Deepfake 將會影響 2020 年的美國總統選舉。這將加劇社交媒體公司、發布者與平台之間的矛盾。為了打擊假新聞,發布方將創建數字資產審核註冊中心,以打擊假新聞。到 2024 年,社交媒體平台需要驗證內容的真實性。

在世界許多地方,復仇色情是非法的。Deepfake 復仇色情片將很難被起訴,因為其來源很難證實。一旦政客家屬受害,媒體平台將被視為發布方。

無人車採用進程放緩

由於法規的限制,無人車採用進程將放緩,最終資本將勝出,運輸成本接近零。Netscape 為Amazon,Google 和 Facebook 提供了平台,無人駕駛汽車將成為新的平台。當送貨成本降為零時,它將開闢如今看來沒有意義的新商業模式,例如:

  • 移動食品製備,你點的披薩在到達時就可以做好。

  • 預測性運輸,在下訂單之前就將產品送出。

  • 適合上班族的移動辦公室。

  • 按需觸達低利用率物品。

  • 即時製造原則將催生即時消費。

可解釋、負責、可說明且符合道德的AI

在 2019 年,我們對可解釋 AI(XAI)進行了艱難的嘗試,包括一系列鼓勵算法的可解釋性和可重複性的實踐。這種趨勢與機器學習和深度學習在許多不同領域和不同公司中的應用方式不同。

模型不再是(也不應該是)黑匣子,其結果的每個決定都必須可以解釋。

這種趨勢引發了對可數據化的需求,使得我們能夠理解可解釋性和(人類)可說明性的邊界,並能夠回答以下問題:「這符合我們的使命和價值觀嗎?」。

此外,應用機器學習技術來解決可能排除或歧視某些用戶的任務的公司必須關注他們對模型決策的法律和道德責任。

結論

簡答回顧下趨勢清單,得到如下結論:

  • 「被嵌入」的人工智慧:專門為特定任務而設計的小型硬體組件。

  • 人工智慧正在變得(越來越)可遷移:多平台支持、標準化和可復現性。

  • François Chollet 的 AI 基準測試新方法可能會成為下一次機器智能的圖靈測試,其論文的第3 章詳細說明了該框架(https://arxiv.org/pdf/1911.01547.pdf)。

小米MIX Alpha獲得百萬美金技術大獎;索尼或將推出無邊框手機;Linus 不建議用 ZFS | 極客頭條

Rust 入坑指南:鱗次櫛比 | CSDN 博文精選

關鍵字: