Gartner：人工智能的未来和挑战

机器学习和人工智能正在接近炒作周期中的最高膨胀预期阶段。

在一次网络研讨会上，Gartner 总监分析师 Peter Krensky 概述了机器学习和人工智能的现状、未来五年，以及可能影响采用、开发和部署的一些挑战。

根据 Krensky 的说法，ML 和 AI 正在接近炒作周期中的最高膨胀预期阶段。增强现实和虚拟现实已经触顶之后的“幻灭低谷”，自动驾驶汽车和无人机已经过了顶峰，但尚未触底。

也就是说，AI 和 ML 仍有大量未开发的行业。 “只有 40% 的顶级表现者将人工智能视为游戏规则的改变者，”克伦斯基说。 “因此，在许多不同类型的组织中，甚至是整个行业都在探索机器学习的可能性。”

有利于 AI 和 ML 持续发展的因素之一是学术、科学和企业核心概念之间的一致性。超过 90% 的行业使用 Python 编写 AI 和 ML 算法和平台，其中许多使用相同的开源库（Apache、TensorFlow）和相同的云基础设施（AWS、Azure）。

这种一致性导致整个行业产生更大的协同效应，这在未来招聘人才时可能很有价值。

整个行业都在稳步迁移到云，而大约 30% 到 45% 的人继续在本地运行 AI 或 ML。在许多情况下，Krensky 认为组织在构建 AI 或 ML 程序方面花费过多，避免使用更便宜的替代方案，如预训练模型和云基础设施，而结果会相似。

Krensky 说：“我们必须习惯云中的机器学习基础设施以及不断发展的专有和开源组件集作为新常态。”每年都有一个新的开源框架，而我们并没有在谈论大约两年前，现在我们一直在谈论。”

看看 AI 是如何实现的，Gartner 有四种模型：

传递接力棒 - 人工智能将处理任务中繁琐的部分，而人类操作员将完成其余的工作。
共生——人工智能能够弥补人类的弱点，例如在几秒钟内处理大量数据。
增强分析 - 人工智能用作人工操作员的培训师或指南，从数据中提供分析或见解。这方面的一个例子可能是最近的一个人工智能项目，该项目建议在古希腊雕刻中缺少单词或句子。
健全性检查 - 人工智能执行大部分功能，但有一名待命的人工操作员随时注意错误。例如，一个客户支持机器人将困难的案例传递给人类。

在 Gartner 的一项调查中，大多数商业领袖表示，员工的技能是 AI 和 ML 采用的主要挑战，占 56%。 Krensky 在网络研讨会中提到，大多数 ML 开发人员都很年轻，拥有不到五年的经验，并且从事他们的工作不到两年。

最重要的是，Gartner 认为一个项目的成功在于拥有多名具有不同专业知识的员工。数据科学家、数据工程师、ML 专家和领域专家都在 AI 或 ML 项目的开发中发挥着独特的作用，但组织通常依赖具有广泛知识的数据工程师。

第二大挑战是了解人工智能的好处和用途。在网络研讨会中，Krensky 建议组织需要正确管理 AI 项目，而不是投资所有领域，而是专注于几个具有财务意义的关键领域。

数据范围和质量是第三大挑战，克伦斯基认为应该是最重要的挑战。如果没有适当的数据管理、质量检查和数据治理，AI 或 ML 项目更有可能失败。

物联网技术