18年的10个企业机器学习预测都在这了！
|
通过限制专家可以干预ML过程的方法，通过尝试将每个问题都纳入基本分类或使用超参数调整的回归建模方法，从而实现完全的自动化端到端ML。有影响力的机器学习并不是将一堆相似的算法与基于普通的性能指标的算法相比较，但是一些公司会发现这是一种比较困难的方法。 预测＃5 MLaaS平台将成为传统企业的“AI骨干” MLaaS Uptake MLaaS平台的采用将加速从大型公司内部的“真正的私有云”和中型企业和初创公司的多租户公共云环境中。这些平台与昂贵的咨询和定制应用程序相结合的合理的成本结构与合适的抽象级别，将为开发人员和ML工程师提供良好的平台大规模设计和部署点应用，速度更快。云机器学习平台，将通过以下方式实现机器学习的民主化： ·通过消除复杂性或前置供应商合同显著降低成本。 ·提供预配置的框架，打包最有效的算法。 ·从最终用户中抽象出基础设施设置和管理的复杂性。 ·通过REST API和绑定提供轻松集成、工作流自动化和部署选项。 预测＃6 更多的开发人员将把机器学习引入他们的公司 开发人员将拥有丰富的工具来利用这些有用的基准，但却没有什么有意义的基准，这将造成一些混乱和互操作性问题，从而导致与ML专家的紧张关系（如果在组织中可用的话）。在这个论点中没有赢家，因为所需要的学习过程仍在继续。随着尘埃落定，机器学习和软件工程最佳实践将开始融合在一起以避免技术债务，并导致更精确的设计和可预测的最终用户体验。 随着越来越多的针对垂直解决方案优化的专用工具包和SDK（即IoT满足ML，如异常检测和强化学习），这一趋势将进一步加速，这将使开发人员更接近一个端到端的智能应用程序。 预测＃7 抛开一切，开源的方式，MLaaS可能会产生技术债务 过多的ML库可能的ML技术的数量加上商业ML管道的变化和长度一起带来了算法的可能组合的指数数量。即使拥有巨大的计算能力（即数以千计的服务器），人们也只能尝试使其中的一小部分工作。事实是，计算能力永远不会真正取代通过算法或专家在搜索这个空间的可能性。将许多完全不同的开源库和编码范式打包成一个松散集成的“机器学习套件”，由主要的云服务提供商推广，肯定会引起一些数据科学家的兴趣。在这些“复选框”中，他们会感到宾至如归，因为这是他们熟悉的本地工件。不幸的是，由于其固有的复杂性，这种短视立场将无法迎来真正的协作和包容性企业机器学习的时代。 预测＃8 机器学习模式的“解释性”是新的“表演” 机器学习社区中的一些人将可解释性视为一种不错的尝试，以最大化与模型准确度相关的其他指标。然而，这种观点在业务环境中代表着严重的风险，因为可解释性是最好的调试工具。如果我们盲目地信任我们构建的黑盒子，算法偏差就会轻易蔓延。例如，最近有关亚马逊在美国当天的服务的新闻报道显示，即使看起来匿名的数据，也可以通过代理变量产生包含（在这种情况下是种族）偏差的预测。 2018年，随着欧盟的GDPR（欧洲通用数据保护条例）于2018年5月25日生效，我们预计更多的这些问题将成为头条新闻。GDPR预计将对当前的“数据科学”实践产生重大影响、严格的要求，包括解释权（即你的深度学习模式能否解释为什么这个客户被拒绝信用？）以及预防偏见和歧视。这只意味着模型透明度将变得越来越重要，无论是对于用户的维护，还是出于法律/伦理的原因。 预测＃9 深度学习的研究将会持续推进，但由于成本和人才的缺乏，企业的大规模采用将会滞后 根据你使用的数据类型以及特定的预测用例，Deepnet可能是唯一的游戏，也可能是不必要的昂贵的环形交叉。在BigML，我们认为Deepnet模型应该是机器学习库的一部分，因此在平台上支持它。尽管如此，在2018年，DL研究的过多的宣传可能会使企业早期使用者受到伤害，将其注意力从更有效和更具成本效益的基准模型转移，并使他们将资源投入专用硬件和复杂和未经证实的神经网络结构难以实施，即使获得罕见的DL专家的保障，这些架构也很难操作且难以维护。 预测＃10 机器学习将走向全球，但更多的人才将选择留在本地 美国，加拿大，澳大利亚，中国等国家都有显著的机器学习印记，这并不是什么秘密。但是我们预测,更多元化的集团的机器学习技术和服务提供商长时间盖过了硅谷等大型科技股神经中心,纽约、波士顿和中国特大城市将“加热”对IBM和埃森哲的全球竞争，并采用更简单的方法使其在各自的区域提供ROI更快。反过来，这将提高全球机器学习的觉醒，为亚洲、欧洲和拉丁美洲的所有类型的组织提供帮助。由此产生的影响将是减缓和部分地将人才流失的趋势转化为技术神经中枢的能力，这些神经中枢正承受着他们自己的负担能力危机。 （编辑：鞍山站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
