[[411678]]

人工智能如今已經被提上了很多首席執行官的首要議程。雖然這個話題并不新鮮，但首席執行官們已經了解采用人工智能技術并不簡單。為了實現這一目標，企業需要從他們的業務目標開始，然后以推進這些目標的方式使用人工智能技術，并希望可以增加業務價值。

與此同時，首席執行官對人工智能和機器學習(人工智能技術的一個子集)的態度一直在改變，因為它與數字化轉型有關。一開始，它是關于了解數字化轉型者做什么以及他們如何做。現在，他們開始意識到需要按照自己的方式創造價值。這并不是說他們不會利用供應商免費提供的一些平臺或工具。然而自己開發的策略最終是一個冒險的提議。

跨國咨詢機構埃森哲公司應用智能北美地區主管總經理Arnab Chakraborty表示：“行業領先的企業首席執行官的首要任務是重塑企業的未來，主要以人工智能和數據為動力。企業通過研究人工智能如何優化現有業務來釋放價值，無論是在銷售和市場營銷、供應鏈、財務、人力資源等所有職能部門。”

毫不奇怪，人工智能也在首席信息官的首要議程上。全球專業服務商Genpact公司最近在麻省理工學院斯隆首席信息官研討會上發布的一份調查報告表明，在接受調查的500位首席信息官中，48%的人表示，人工智能是他們的首要投資重點。

該公司首席數字官Sanjay Srivastava說，“這些首席信息官們表示必須投資人工智能。問題是為什么是現在?這是因為發生了三件事：技術變得更好;成本變得更低廉;需求大幅增加。”

以下是人們值得關注的10個人工智能和機器學習趨勢：

1.伙伴關系將會發生變化

零售企業經營歷來需要擁有核心競爭力，例如銷售雜貨或銷售處方藥的廠商。然而，為了方便顧客和提高零售商的銷售份額，他們的產品可能有些重疊。傳統上，這兩種類型的公司之間沒有太多的協同效應。

埃森哲公司的Chakraborty說，“Walgreens公司正在與Kroger公司開展合作，為正在尋找藥品和雜貨的客戶提供無縫體驗。我們將開始看到這些類型的合作伙伴關系創建新的數據驅動的商業模式，這些模式將由人工智能提供動力。”

為此，零售商需要做三件事：

(1)牢記業務目標并構建企業范圍的數據主干;

(2)構建一個使業務人員能夠處理數據的分析市場，;

(3)基于分析市場的洞察引擎，推動做出更好的決策。

2.低代碼/無代碼數據科學

低代碼和無代碼軟件開發一直在顛覆企業的業務，使高級用戶(低代碼用戶)和普通業務員(無代碼用戶)能夠構建簡單的應用程序。類似的趨勢正在發生在不同層次的數據科學上，例如數據集成、增強分析甚至模型構建。但是人們也有一些擔憂。

多語言客戶支持工具提供商Language I/O公司機器學習架構師SilkeDodel博士說，“如果企業的主要業務不是人工智能，并且他們只對將人工智能應用于業務洞察感興趣，那么使用無代碼或低代碼人工智能和機器學習平臺之一可能會滿足他們的需求。但是，他們應該小心測試使用經過驗證的基準數據，因為這本質上是一種黑盒方法，自定義模型內部工作的可能性有限。而想要將人工智能納入其商業模式的企業可以開始使用人工智能領域供應商開發的現有模型，并使用遷移學習使它們適應其目的。”

企業可以投資一些訓練有素的機器學習數據科學家，他們也了解模型背后的數學原理，這將有助于確保最佳模型可用于用戶的利基應用程序。

3.遷移學習

遷移學習將機器學習應用于不同但相關的問題。實際上，企業將使用一些由數字巨頭構建的機器學習模型，而不是從頭開始構建它們。

全球數字和技術服務公司Pactera EDGE公司首席人工智能官Ahmer Inam說，“人工智能/機器學習領域最大的問題之一是開發人工智能解決方案的成本，這些解決方案可以在全球范圍內有效地進行本地翻譯。語音人工智能系統在理解口音和辨別方言方面存在困難——即使是在涵蓋的語言中已經擁有訓練的數據集。一般來說，我們構建、訓練和擴展語音人工智能系統的當前范式需要改變，并且正在發生一些進步，例如訓練數據、算法、訓練框架，以及如何在設計和構建語音人工智能體驗時考慮到最終用戶(以人為中心的方法)。”

朝著正確方向邁出的一步是Facebook AI的新wave2vec，它可以從原始音頻中學習語音結構。這種無監督的機器學習方法可以與時間、數據和計算(因此成本)繁重的最佳監督系統相媲美。Inam表示，wave2vec將顯著加快語音人工智能應用程序的訓練速度，數據量更小，因此計算成本更低，因為它不需要轉錄語音數據。

4.更好的投資回報率

一些企業努力從他們的人工智能和機器學習投資中提高投資回報率。但面臨的問題可能是不切實際的期望，還有無法將實驗室中開發的項目轉化為生產項目。

數據分析和定制軟件提供商Freya Systems公司的首席執行官Ben Johnson說，“人工智能技術正在從科學轉向實際工程。近幾十年來，重點是新算法和技術的研發。如今的重點又回到了數據戰略、數據準備和數據使用上。數據科學家使用一系列算法和技術來解決問題并開發解決方案，將成熟的算法應用于數據。對我們來說，非常重要的是專注于問題并降低80%以上的項目失敗率。這種重新聚焦將為人工智能和機器學習項目帶來實際的投資回報率。”

5.企業將訪問更多數據

許多企業已經用第三方數據補充了自己的數據。雖然API經濟推動了這一趨勢，但在未來，越來越多的企業將共享更多數據。

人工智能驅動的數字銷售平臺PROS的人工智能策略師和數據科學家Justin Silver說，“這不僅僅是生成更多的數據，而且是更有策略地生成和使用數據。除了企業改進他們自己的專有數據之外，還將看到改進數據的協作努力——例如企業之間的數據共享，以實現互惠互利，同時尊重隱私/機密性。例如，航空公司共享數據以識別對他們有幫助的趨勢，以了解冠狀病毒疫情對其業務的影響。”

6.商業專業人士需要精通人工智能

人機合作正在不斷發展，隨之而來的是知識的擴展和更豐富的技能組合。

Genpact公司的Srivastava說，“真正的問題是，企業如何擴大業務和員工的規模，并為未來的工作做好準備?現在需要更多了解金融、會計和機器學習的專業人士，以便他們能夠將機器學習應用于現金流。還需要了解計算機視覺的機械工程師，以便他們能夠將其應用于自動化制造和工作流程。”

7.更多采用AutoML

隨著越來越多的企業加快人工智能主導的數字化轉型，他們會發現需要將更多的工作實現自動化。

埃森哲公司的Chakraborty說，“人工智能價值鏈的許多初始部分都將實現自動化，例如數據攝取、捕獲、構建數據管道、構建機器學習管道，以便員工可以更多地關注價值鏈的高端，即正在構建機器學習模型、進行特征工程和測試模型，而不是完成獲得模型所需的所有管道工作。我們已經看到平臺參與者(例如谷歌和其他公司)創造了許多機器學習功能，這些功能在自動化這些標準活動方面大有幫助，因此企業和數據科學家可以從事更高端的增值活動。”

8.聯合學習專注于邊緣智能

聯合學習使模型能夠被推到將被訓練的邊緣，而不必在整個生態系統中共享任何數據。然后將訓練好的模型從邊緣推回到中央存儲庫，可以減少訓練數據。

埃森哲公司的Chakraborty說：“這創造了一種更快的訓練和部署模型的方式，而不會面臨任何數據隱私問題的風險。如果在醫療保健行業，它可以幫助創建由人工智能驅動的新服務，以更有效的方式為患者服務，并創造新的體驗和更好的治療結果。”

9.網絡安全將變得更加復雜和智能

網絡攻擊正在真實發生，越來越多的網絡攻擊者和網絡間諜正在試圖通過添加越來越微妙、復雜和細微的人工智能攻擊來獲取企業的數據。

Genpact公司的Srivastava說：“人工智能是一種在數據上運行以生成結果的應用程序，所以現在它不再與應用程序有關。網絡攻擊為了破壞或竊取數據，所以其采用的人工智能將會選擇錯誤的數據并得出錯誤的結果。企業的威脅面擴大，因此需要采用企業人工智能治理計劃。”

10.人工智能將分診醫療案例

人工智能可以“看到”醫生看不到的東西，例如在計算機視覺環境中，X射線中可能存在細微的線索，例如可以對醫生的診斷產生影響。然而更普遍的是，人工智能將使醫生更精通他們的工作。

咨詢機構Fast Layne Solutions公司總裁兼首席執行官Christopher J.Hughey說，“人工智能在分診和初步診斷方面比醫生要好得多，這是一個令人不快的事實。這不是試圖從醫生那里搶走工作，而是通過減輕醫生的單調和耗時的工作來提高的他們效率。這在未來幾十年至關重要，因為美國面臨著醫生和其他醫護人員嚴重短缺的問題。”

事實上，根據美國醫學院協會的預計，到2033年之前，美國短缺的醫生數量為54100到139000名。華盛頓郵報凱撒家庭基金會最近進行的一項民意調查表明，美國30%醫護人員正在由于職業倦怠、創傷后應激障礙和其他與疫情相關的壓力因素而考慮離職。