文章

2021年机器学习的主要发展趋势

2021-10-30新睿编译

462阅
特别是随着工作场所、产品和服务期望通过数字化转型而发生变化,越来越多的企业开始采用机器学习解决方案来优化、自动化和简化其运营。
       机器学习(ML)是一种常用的人工智能(AI),也是发展最快的技术领域之一。

       特别是随着工作场所、产品和服务期望通过数字化转型而发生变化,越来越多的企业开始采用机器学习解决方案来优化、自动化和简化其运营。

       那么,机器学习技术如今有什么样的发展?未来的发展方向是什么?人们需要了解机器学习发展的一些主要趋势。

机器学习中值得关注的5个趋势

       (1)通过MLOps实现自动化

       许多企业在机器学习开发上投入了大量的时间和资源,因为他们认识到机器学习在自动化方面的应用潜力。

       当机器学习模型在设计时考虑到业务流程,它可以在营销、销售、人力资源甚至网络安全等方面的各种业务功能方面实现自动化。MLOps和AutoML是当今机器学习最流行的两种应用程序,可以使企业团队能够自动执行任务,并将DevOps原则引入机器学习用例。 

       顶级人工智能和混合云提供商H2O.ai公司的营销高级副总裁Read Maloney认为,MLOps和AutoML策略都消除了一些传统的业务障碍。

       Maloney说,“企业采用人工智能需要一套专为现代基础设施和协作设计的新工具和技能。”他表示,使用人工部署和管理的团队发现他们很快就会面临资源短缺的问题,并且在将一些模型投入生产后而无法扩展。

       机器学习操作(MLOps)是一套实践和技术,使企业能够在生产中扩展和管理人工智能,本质上将DevOps的开发实践引入机器学习。MLOps帮助数据科学和IT团队协作,并使IT团队能够领导生产机器学习项目,而无需依赖数据科学专业知识。

       AutoML解决了采用机器学习的一些主要障碍,其中包括更快的投资回报时间以及更快速、更轻松地开发模型。AutoML自动化数据科学工作流的关键部分以提高生产力,同时不会影响模型质量、可解释性和性能。

       采用AutoML,可以实现算法选择、特征生成、超参数调整、迭代建模和模型评估的自动化。通过自动化工作流程中的重复任务,数据科学家可以专注于数据和他们试图解决的业务问题,并加快从实验到影响的时间。

       通过机器学习实现自动化在理论上是可取的,但在实践中,业务领导者有时很难想象机器学习工具如何优化他们的业务运营。

       数字化转型和专业服务商Genpact公司高级副总裁兼全球业务负责人Amaresh Tripathy提供了一些常见示例,以说明MLOps和MLOps即服务如何帮助各行业组织。

       Tripathy说,“一个MLOps示例是使用人工智能模型有效地指导销售团队确定最佳客户,另一个是使用动态需求预测优化定价和收入管理系统。” 

       (2)机器学习民主化和扩大访问范围

       机器学习仍然被认为是一种需要开发的利基和复杂技术,但越来越多的技术专业人员正在努力使该领域民主化,特别是通过使机器学习解决方案更容易获得。

       工作流管理软件开发商ServiceNow公司的人工智能产品和战略负责人Jean-Francois Gagne认为,机器学习民主化包括创建更容易的访问来开发和部署机器学习模型,以及让更多人访问有用的机器学习训练数据。

       Gagne说,“良好的训练数据通常很少,数据学习技术正在帮助企业人工智能用例,客户希望根据其独特的业务环境调整预先培训的开箱即用模型。在大多数情况下,他们自己的数据集并不是很大,但转移学习、自我监督学习和少镜头学习等方法有助于最大限度地减少应用程序所需的标记训练数据量。”

       机器学习民主化还涉及创建工具,以考虑更多样化用户的背景和用例。

       数据库解决方案提供商InfluxData公司的物联网产品管理总监Brian Gilmore认为,越来越多的用户和开发人员开始认识到多元化团队开发机器学习解决方案的好处。

       Gilmore说:“除了技术之外,我们也必须关注人工智能的人性方面。似乎有一种趋势围绕着机器学习生态系统的民主化而发展,无论在价值链的何处,都会带来更多不同的利益相关者。

       而偏见可能是机器学习效率的最大障碍,行业领先的企业正正在学习克服偏见,通过拥抱多样性和包容性(D&I)构建更好的应用程序。

       当然,机器学习需要更多种类的训练数据。尽管如此,我们还应该考虑多样性和包容性(D&I)对设计、构建、标记和交付机器学习驱动应用程序的团队的积极影响——这可以真正区分机器学习产品。”

       (3)通过容器化实现可扩展性

       机器学习开发人员越来越多地在容器中创建模型。

       当机器学习产品在容器化环境中开发和部署时,用户可以确保其运行能力不会受到服务器上运行的其他程序的负面影响。更重要的是,机器学习通过容器化变得更具可扩展性,因为打包模型可以随着时间的推移而迁移和调整机器学习工作负载。

       拥有多种ITOps解决方案的SaaS提供商BMC公司首席产品官Ali Siddiqui认为,机器学习的容器化开发是最好的前进方向,尤其是在数字企业结合自主运营的情况下。

       Siddiqui说,“在容器中使用机器学习工作负载是一种趋势。容器允许自主数字企业通过先进的企业DevOps流程获得隔离、可移植性、无限可扩展性、动态行为和快速变化。

       机器学习工作负载通常很高,需要高可扩展性,在某些情况下还需要实时流处理。例如,当查看机器学习项目时,它们通常有两个阶段:算法创建和算法执行。第一个阶段涉及大量数据和数据处理。第二个阶段通常在生产中需要大量计算能力。两者都可以从容器部署中受益,以确保可扩展性和可用性。”

       (4)API和更广泛的预打包工具的可用性

       在机器学习民主化的另一个趋势中,许多机器学习开发人员随着时间的推移完善了他们的模型,并找到了创建类似模板的版本的方法,通过API和其他集成提供给更广泛的用户群。

       全球数字服务和咨询机构Infosys公司的高级副总裁Bali D.R.认为,预先打包的机器学习工具,特别是通过API和数字店面,是当今机器学习最常见和最有用的应用程序之一。

       DR说,“机器学习模型的API化是我们看到的另一个关键趋势,无论是GPT3、CODEX还是Hugging Face,他们训练和部署最先进的自然语言处理(NLP)模型,并将它们作为Web API或Python提供用于推理的软件包。还有人工智能商店,其中包含通过API公开的预训练模型,这为跨企业的人工智能开发提供了拖放选项。”

       (5)用于未来规划的机器学习和时间序列解决方案

       机器学习模型只有在持续不断地提供新数据的情况下才能随着时间的推移提高其功能。由于如此多的机器学习模型依赖于基于时间线的更新,许多机器学习解决方案都使用时间序列方法来提高模型对不同数据集背后的内容、时间和原因的理解。

       H2O.ai公司的Maloney解释了时间序列解决方案对于真正的预测性机器学习是必要的原因。他说:“在足够长的时间内,所有问题最终都会变成时间序列问题。机器学习是一种实时预测事件的非凡方法。随着时间的推移观察这些预测,我们需要越来越多的时间序列解决方案。而每个企业都需要做出预测,无论是预测销售额、估计产品需求还是预测未来的库存水平。在任何情况下,都需要数据以及特定的技术和工具来计算。”
 
责任编辑:程玥
本文为e-works原创投稿文章,未经e-works书面许可,任何人不得复制、转载、摘编等任何方式进行使用。如已是e-works授权合作伙伴,应在授权范围内使用。e-works内容合作伙伴申请热线:editor@e-works.net.cn tel:027-87592219/20/21。
读者评论 (0)
请您登录/注册后再评论