人工智能

基于机器学习和人工智能（AI）的平台、工具及应用急速发展，广泛影响着软件、互联网、国防、医疗、制造等垂直行业。2019年，机器学习和AI相关技术领域有五个发展趋势值得关注：

AI芯片崛起

不同于其他软件，AI严重依赖与CPU互补的专门处理器。在推理过程中，AI模型需要额外的硬件来执行复杂的数学计算，才能加快执行目标检测和人脸识别等任务。2019年，英特尔、英伟达、AMD和高通等芯片制造商将推出专门芯片，针对计算机视觉、自然语言处理和语音识别相关的特定用例及场景进行优化。医疗和汽车行业的下一代应用程序将依赖这些芯片提供智能服务。亚马逊、微软、谷歌和脸书等超大型基础设施公司将加大对基于现场可编程门阵列和专用集成电路的定制芯片的投入。这些芯片将在AI和高性能计算基础上针对现代工作负载做出大量优化，其中某些芯片还将帮助下一代数据库加快查询处理和预测分析速度。

AI与物联网在边缘计算层融合

公共云上的大多数模型今后都将用于边缘计算。能够对设备进行异常检测、根源分析和预测维护的工业物联网是AI的最佳用例。基于深度神经网络的先进机器学习模型将得到优化，以便在边缘运行，未来将有能力处理视频、语音等非结构化数据。物联网必将成为企业人工智能的最大推动力。

神经网络之间的互操作性成为关键选项

合适的框架是开发神经网络模型的核心难题之一，模型一旦在特定框架中进行调试和评估，就很难再移植到另一套框架。神经网络工具包之间缺乏互操作性阻碍人工智能的应用。为解决这一挑战，AWS、脸书和微软合作构建了“开放式神经网络交换”（ONNX）格式，使经过调试的神经网络模型向其他框架移植成为可能。ONNX将在2019年成为行业的重要技术，从研究人员到制造商等所有核心参与者都将依赖ONNX作为推理的标准运行框架。

自动化机器学习（AutoML）将占据主导地位

自动化机器学习已成为一个发展趋势，它将从根本上改变基于机器学习的解决方案，可使其不经过传统调试程序即可改进机器学习模型，进而处理复杂的场景。AutoML非常适用于认知应用编程接口（API）和自定义机器学习平台。与被视为“黑盒子”的认知API不同，AutoML既能提供同等的灵活性，同时又具备自定义数据和可移植性。

AI将通过AIOps实现DevOps自动化

DevOps是一套完整的IT运维工作流，以IT自动化和持续集成、持续部署为基础，来优化程序开发、测试、系统运维等所有环节。DevOps一词来自于Development和Operations，强调软件开发人员和运维人员的沟通合作，通过自动化流程来使软件的构建、测试、发布更加快捷、频繁和可靠。AIOps即AI for IT Operations，指将人工智能应用于IT运维领域，基于已有的运维数据，通过机器学习来进一步解决自动化运维难以解决的问题。现代化应用程序和基础设施可以生成用于索引、搜索和分析的日志数据。从硬件、操作系统、服务器软件和应用软件中获取的海量数据集可以聚合和关联，然后形成方案和模式。当机器学习模型应用于这些数据集时，IT运行即可从被动响应转变为主动预测。AI力量应用于运营将重新定义基础设施的管理方式。2019年，AIOps将成为主流，公共云供应商和企业将从AI和DevOps的融合中受益。

来源：国防科技要闻 转自：美国《福布斯》杂志/图片来自互联网

军事科学院军事科学信息研究中心 袁政英

=============================================================================================

声明：本文为转载，该文观点仅代表作者本人。奥航智讯转发的内容如侵犯个人及公司合法权益，请及时联系，我们将及时处理。

微信公众号搜索" 奥航智讯 "加关注

【微信扫描下图可直接关注】