【导读】本文中，媒体调查了多位知名的AI和数据思想领袖。他们高度总结了2019年AI现状及其发展方向。话不多说，接下来直接看干货。

涉及到的五个话题

1. 2019年，哪些行业最能充分利用人工智能？

2. 2019年AI 可解释性的价值。

3. 企业将如何改善IT基础设施和云托管流程，以支持AI部署？

4. 若要AI硬件优化，企业该如何解决计算和存储需求？

5. 厂商将在人工智能方面扮演哪些角色？

2019年哪些行业最能充分利用人工智能？

金融、工业/制造业、交通和零售业是2019年最有可能与AI/ML/DL展开关联的行业。例如，欺诈或异常检测在金融服务业中很常见，同时它也适用于许多安全和网络的案例。

欺诈和异常检测是一个很好的应用程序，既适用于受监督的学习，比如可以提供欺诈和非欺诈活动预先标记的培训数据，也适用于无监督的学习，比如无法提前预测或提供要检测的所有类型欺诈的示例。因为大多数活动都不是异常的，这使得无监督学习成为一种有效的方法。一旦识别出异常，就可以将异常添加到持续的再培训过程中，以进一步细化模型。这种监督和非监督学习的结合，以及持续的再培训，将有助于欺诈和异常检测领域的应用保持领先一步，并在人们完全理解新型欺诈或攻击之前，提供一个识别它们的战斗机会。

虽然人工智能将继续受益于各个行业，但医疗保健领域的案例往往会突显其能力。医学想象，以及使用预测分析、优化和机器学习来处理和分析患者的核磁共振图像，可以挽救患者的生命。

通过接受医院收集的大数据并应用人工智能，医院可以为疾病的诊断和治疗收集新的意见。当然，在医疗领域，我们需要在人工智能的创新和透明度之间取得平衡。

同样值得注意的是，人工智能和机器学习将解放医疗工作者。例如，人工智能算法可以准确地读取诊断扫描，将医生从重复的任务中解放出来，从而帮助患者诊断和护理制定决策。例如，执行机器人手术的医生将获得更好的体验，因为人工智能的建议会在手术过程中提示他们。此外，在药物研发领域，人工智能与大数据相结合，可以帮助提供关键发现。而且在某些领域，人工智能、ML和深度学习可以通过指导现有的最佳生物医学、信息和通信技术，帮助提供更快更好的公共卫生，以此应对癌症。

此外，在过去几年，人工智能凭借Alexa和Siri让消费者的生活变得更容易。而且，随着人工智能在改善自动驾驶方面的应用日益广泛，交通运输也有了巨大的进步。

2019年AI 可解释性的价值

不得不承认，人工智能及其适应性给很多行业也带来了巨大障碍，比如在药物研发等受监管的行业。2019年是否能解决这个非常现实的问题？人工智能如何做出决定并给出预测的“可解释性”呢？

要让人工智能生成的答案得到广泛的、信任和采纳，就需要人工智能决策过程以一种人类友好的方式呈现出透明度。换句话说，我们需要直观的展示人工智能算法是如何得出专家们能够理解的结论的。

还好在数据分析中已经看到了这种程度的透明性。我们可以看到数据谱系和完整的审计跟踪，从数据源到数据的任何操作。因为它与其他数据连接在一起，成为一种洞察力。

从2019年开始，我们将看到人工智能以更大的透明度为分析提供动力，并以更多的形式，包括更广泛地使用可视化来显示它在医疗行业对患者进行诊断时如何做出决策的路径。

数据治理和来源的重要性从来没有像今天这样受到如此广泛关注。随着近期安全事件频发，围绕数据隐私、数据共享和第三方使用的法规已经成为人们的焦点。从数据管理角度来看，确实需要更好的解决方案来跟踪数据访问和使用。

由于模型的正确性、准确性和偏差来自于训练模型所用的数据，因此这些问题在机器学习中被放大。解释和维护模型完整性和抗偏差的唯一方法是能够维护用于培训模型数据的来源，就好比证明一辆自驾汽车实际上是根据一组在低光照条件下足够的数据集培训的。

例如，为了证明一个面部识别模型，就需要在一组足够多样的种族和种族上训练。解决这个问题的根本原因是维护和归档测试数据，以及足够丰富的元数据和数据管理目录，以便能够根据需要调用和访问数据。

人工智能的可解释性是朝着公平、负责任和透明的方向做出努力的。有关算法决策的问题成为近年来人们讨论的关注点。人工智能正将自动化决策引入医疗诊断和自动驾驶等新领域，并正在构建更复杂、透明度更低、可扩展性更高的系统。

2019年将是人工智能透明化的一年。可解释性和透明性不是通过交出数千行计算机代码或列出人工神经网络的数百万个参数来实现的。人工智能系统的输入和输出必须以易消耗的形式进行通信。系统所依赖的信息类型是什么，将影响其预测和决策。

解释特征对预测影响的方法已经存在，这些使我们能够通过操纵黑匣子来揭示它的工作原理。自动化和自治不是一回事。监控基于算法系统的性能是关键，也是开发人员和部署算法人员的责任。我们有很多算法在单独的情况下都能很好地理解，但是我们不太确定把成百上千的算法放在一起时会发生什么。

人工智能最重要和最有用的功能之一是它的连接能力和推论能力。这些可能是反直觉的。随着人工智能承担越来越重要和多样化的任务，数据科学家需要能够清楚而简单地解释他们的模型在做什么及为什么。这将建立对人工智能及其支持的决策的信心和信任。

企业将如何改善IT基础设施和云托管流程，以支持AI部署？

人工智能在过去十年的崛起，得益于大数据和大计算能力，以及与神经网络技术的融合。基于深度神经网络的人工智能系统需要大量的数据来训练深度网络。无论是通过人工智能、机器学习或其他技术解决业务问题，改善IT基础设施和云都是企业数字化转型的需求。企业对云基础设施将持续投资。

然而，归根结底，人工智能驱动的洞察是通过基于云的系统还是基于本地系统创建的问题是次要的。而如何进行更智能、更有效的数据分析，以应对企业和政府面临的现实挑战，这一点至关重要。

深度学习仍然是一个数据密集型的过程。大规模的数据有重力，很难移动，所以一般来说，你会训练你的数据在哪里，需要快速访问数据。软件工具和GPU硬件在本地和公共云中都是可用的，而且相当便捷。但快速、丰富的存储常常没有得到足够的考虑和规划，从而损害了开发的速度。最终，我们看到规模较大的客户倾向于拥有大量的数据池，并在这些数据旁发现更好的性能和经济培训。

云计算一直是帮助企业创新的一个重要因素。为了竞争，对于一家公司来说，在最新的、最强大的工具上进行迭代是至关重要的，这些工具可以在商业环境中快速地伸缩。所有的云提供商都已经围绕人工智能的云产品进行创新，这使得人工智能算法以一种无处不在的方式可用。

除了围绕人工智能的工具和基础设施之外，数据管理和分析工具对于人工智能的提升也很重要。获取正确的数据并集成来自不同地方的数据，对数据进行清理和准备是非常关键的，这通常是数据科学家AI项目的第一步。

内部部署并不总是提供这种灵活性。如果组织团队能够在更短的时间内完成更多的工作，那么他们就可以变得更加成功。云允许更多的工具以更快的速度大规模地聚集在一起。

若要AI硬件优化，企业该如何解决计算和存储需求？

计算需求对于人工智能、ML和深度学习非常重要。GPU对计算产生了巨大的影响。然而，智能正朝着边缘移动，根据定义，这就是人工智能。当它作为芯片的添加剂时，它将使快速创新成为可能。

随着人工智能和ML走向边缘计算模型，专用硬件将很快打破这一局面，并发挥重要作用。看到人工智能芯片的创新令人兴奋，包括神经网络处理器、FPGA和神经形态芯片。从存储的角度来看，最大的影响是ssd的使用。

多年来，分析和数据处理一直落后于计算机的发展。硬件正在为AI工作负载进行设计和优化。一种方法是提高系统的性能和吞吐量，以加速培训，并使更复杂模型的培训成为可能。

GPU具有高度的并行性和可优化的神经网络操作能力，在加速训练和推理方面发挥着重要作用。FPGAs、ASIC和芯片的设计也针对张量运算进行了优化。新的持久存储技术使数据更接近处理器。

此外，开发计算架构使持续的低功耗训练成为可能，例如神经形态芯片。这是为边缘设备带来学习和适应性的重要一步。

人工智能是高度面向性能的，任何性能系统的速度都取决于其最慢的链接。对于AI来说，更多的性能=更多的迭代=训练和细化更多数据的能力=更快地得到更好的结果。深度学习的本质很大程度上得益于专门的GPU，它可以为这些特定类型的计算提供令人难以置信的并行性。

由NVIDIA领导的现代GPU已经突破了以前CPU性能限制，使它们能够更快地处理数据。这就产生了优化存储和网络的需求，以便能够快速地将数据提供给GPU，让它们保持忙碌状态，并提取它们能够获得的所有性能。如果没有针对每一个计算、存储和网络的优化解决方案，CIO可能会面临一个不平衡且性能不佳的系统，这就好比在不更换变速箱、轮胎的情况下将F1发动机安装在丰田车上。

厂商将在人工智能方面扮演哪些角色？

可以说，人工智能与厂商的核心使命一致，帮助创新者用数据创造一个更美好的世界。他们致力于创新，争先打造出AI融合计算/存储/网络解决方案，以此帮助客户将人工智能部署到生产中。

此外，当他们与客户讨论如何帮助他们生产人工智能项目时，他们发现一些客户看到了人工智能的前景，但却不全身心投入他们的第一个深度学习项目。为此，通过构建更好的数据管理和编目实践,准备基础设施,实现和加速其他部分的分析， 如数据仓库或扩展分析，以帮助客户获得更好的深度学习项目。

同时，通过提高人工智能的透明度和可访问性，厂商能够帮助更多的企业从数据到发现，使决策者能够使用强大的高级分析功能来自动化尽可能多的决策。通过提供诸如深度学习、自然语言处理和计算机视觉工具等人工智能工具，使其他人能够构建强大的人工智能应用程序。通过提供管理、监控和解释人工智能模型的工具，增加透明度。最终，他们为客户提供服务以解决业务难题。