自动化、硬件、模型开发等方面的新发展将在2020年塑造人工智能。
O'Reilly公司副总裁Roger Magoulas介绍了自动化、硬件、工具、模型开发等方面的新发展，这些趋势将在2020年塑造(或加速)人工智能的发展。
1.有迹象表明人工智能的应用正在加速
人们将会看到，人工智能领域正准备加速采用，其驱动因素包括更复杂的人工智能模型投入生产，增加人工智能能力的专业硬件，以便基于更大的数据集提供更快的结果，简化的工具可以使对整个人工智能堆栈的访问民主化，使人工智能能够在几乎任何设备上运行的小型工具，以及云计算访问允许从任何地方访问人工智能资源的人工智能工具。
集成来自多个来源的数据、复杂的业务和逻辑挑战，以及使数据更有用的竞争激励，所有这些都将人工智能和自动化技术从可选项提升到必需。人工智能过程具有独特的功能，能够处理越来越多样化的自动化任务，这些任务与传统的程序逻辑和编程所能处理的不同，例如图像识别、总结、标记、复杂的监控和响应。
实际上在2019年调查中，超过一半的受访者表示，人工智能(特别是深度学习)将成为其未来项目和产品的一部分，大多数公司已开始采用机器学习。
2.数据和人工智能之间的界限越来越模糊
为了保持竞争力，数据科学家至少需要掌握机器学习和深度学习。同时，当前的人工智能系统依赖于需要大量数据的模型，因此人工智能专家将需要高质量的数据以及安全有效的数据管道。随着这些学科的融合，数据专业人士将需要对人工智能有基本的了解，而人工智能专家将需要坚实的数据实践基础，并且可能需要对数据治理做出更正式的承诺。
3.正在开发新的和更简单的工具、基础设施和硬件
人们处于机器学习的高度经验时代。机器学习开发工具需要考虑数据、实验、模型搜索、模型部署和监视日益增长的重要性。同时，随着开源框架和库、云平台、专有软件工具和SaaS的不断发展的生态系统，管理人工智能开发的各个阶段变得越来越容易。
4.新的模式和方法正在出现
虽然深度学习继续推动许多有趣的研究，但大多数端到端解决方案是混合系统。2020年，人们将更多地了解其他组件和方法的重要作用，包括贝叶斯和其他基于模型的方法、树搜索、进化、知识图、仿真平台等。人们还期望看到强化学习的新用例出现。人们可能会开始看到机器学习方法的令人兴奋的发展，而不是基于神经网络。
5.新的发展促成新的应用
计算机视觉和语音/语音(“眼睛和耳朵”)技术的发展有助于推动新产品和服务的创造，这些产品和服务可以制作个性化定制尺寸的服装，驱动自动收获机器人，或为熟练的聊天机器人提供逻辑。机器人(“手臂和腿”)和自动驾驶汽车的研究引人注目，并且更接近市场。
新一轮的创业浪潮也瞄准了“传统数据”，采用新的人工智能和自动化技术。这包括文本(新的然语言处理和自然语言理解解决方案;聊天机器人)、时间序列和时间数据、事务数据和日志。
传统的企业软件供应商和初创企业都在争先恐后地开发针对特定行业或领域的人工智能应用程序。这与麦肯锡公司最近的一项调查结果一致：企业在已经投资于基本分析的领域使用人工智能。
6.在所有数据都有内在偏差的前提下处理公平性
从软件质量保证世界的线索来看，那些在人工智能模型上工作的人需要假定他们的数据有内置的或系统的偏见以及与公平性关的其他问题，例如软件中存在错误的假设，需要正式的过程来检测、纠正和解决这些问题。
发现偏见和确保公平并非易事，而且在从不同角度进行审查和确认时最为有效。这就意味着，要建立有目的的多样性，以发现不公平和偏见的过程，认知多样性、社会经济多样性、文化多样性、身体多样性，帮助改进过程，并减少错过重要内容的风险。
7.机器欺骗仍然是一个严峻的挑战
深度伪造(Deepfakes)表明，自动检测系统可以寻找：不自然的眨眼模式、不一致的照明光线、面部扭曲、嘴唇动作和言语之间的不一致以及缺乏微小而独特的面部运动(例如，美国总统特朗普在回答问题前是如何抬起嘴唇的)。
但是，Deepfakes技术越来越好。随着新形式的机器欺骗的出现，必须尽快开发自动检测方法。但是自动检测可能还不够。检测模型本身可以用来保持检测器的领先地位。例如，在发布一种发现不自然的闪烁模式的算法的几个月内，下一代的Deepfake生成器已将闪烁功能集成到其系统中。
一些程序可以在拍摄或更改图像时自动水印和识别图像，或者使用区块链技术验证来自可信来源的内容，这可能是一个局部修复，但随着Deepfakes的改进，对数字内容的信任度降低。可能制定了法规，但是通往有效法规而不干扰创新的道路还很遥远。
8.为了充分利用人工智能技术，企业需要重新培训员工
随着人工智能工具变得更容易使用，人工智能用例激增，人工智能项目被部署，跨职能团队被拉入人工智能项目。传统数据团队以外的员工需要具备数据素养。事实上，调研机构Gartner预计，到2020年，将有80%的组织开始实施内部数据素养计划以提高其员工的技能。
但是培训是一项持续的工作，为了成功地实施人工智能和机器学习，企业需要采取一种更全面的方法来重新培训他们的员工。对于许多企业来说，这可能是最困难但最有回报的过程。团队有机会定期加入一个更广泛的社区，以看到成功的人工智能实现和解决方案的广泛领域，这也是至关重要的。
再培训还意味着重新考虑多样性。加强和扩展多样性对于检测公平和偏见问题的重要性，对于希望成功实施真正有用的人工智能模型和相关技术的组织而言，多样性变得尤为重要。正如人们期望的那样，大多数人工智能项目会增加人工任务，以一种广泛包容的方式融入人工元素成为广泛接受和成功的关键因素。
