機器學習如今已經(jīng)成為一種眾所周知的創(chuàng)新技術。一項研究發(fā)現(xiàn)，人們目前使用的設備中有77%正在使用機器學習（ML）技術。通過采用亞馬遜Alexa、Google Home、Netflix等智能設備，人工智能服務正在為組織提供行業(yè)領先的創(chuàng)新解決方案。

人們需要了解2021年一些重要的機器學習和人工智能趨勢，這些趨勢可能會重塑經(jīng)濟、社會和工業(yè)運作。

機器學習和人工智能行業(yè)如今正在快速發(fā)展，并為各行業(yè)組織帶來了巨大的變革空間，并將帶來重大變化。根據(jù)調(diào)研機構Gartner公司的調(diào)查，在所有接受調(diào)查的公司中，約有37%的組織在其業(yè)務中使用某種類型的機器學習技術，并且預計到2022年，80%的現(xiàn)代技術將基于機器學習和人工智能技術。

機器學習和人工智能技術近年來有了一些進步和發(fā)展。到目前為止，一些組織已經(jīng)能夠應用這些技術來實現(xiàn)業(yè)務目標。

隨著對這些技術的需求和興趣的激增，在這一領域出現(xiàn)各種新的模式。簡單地說，如果具有技術能力或在某種程度上與創(chuàng)新有關，那么將會看到機器學習的下一步發(fā)展。

1. 超自動化的機器學習

超自動化是由Gartner公司指出的IT行業(yè)面臨的一個主要趨勢，組織有可能使其內(nèi)部幾乎所有可以實現(xiàn)自動化的東西（例如遺留業(yè)務流程）都實現(xiàn)自動化。冠狀病毒疫情推動了這一概念的采用，該概念也被稱為“數(shù)字過程自動化”或“智能過程自動化”。

機器學習和人工智能是超自動化的關鍵部分和重要推動力（以及諸如流程自動化工具之類的各種創(chuàng)新）。為了提高效率，超級自動化活動不能依賴于靜態(tài)打包的軟件。自動化的業(yè)務流程必須能夠適應不斷變化的條件并應對突發(fā)情況。

2. 業(yè)務預測與分析

近年來，時間序列分析已經(jīng)成為主流，并成為今年的熱門模式。通過采用這種策略，行業(yè)專家可以在一段時間內(nèi)收集和篩選數(shù)據(jù)，然后對這些數(shù)據(jù)進行檢查并用于做出明智的決策。利用不同的數(shù)據(jù)集進行訓練時，機器學習可以給出準確性高達95%的猜想。

在2021年及以后的時間里，可以預期組織應該融合遞歸神經(jīng)網(wǎng)絡來進行更加準確的預測。例如，可以融合機器學習解決方案以發(fā)現(xiàn)隱藏的模式和準確的預測。保險公司發(fā)現(xiàn)潛在的欺詐就是一個很好的例證。這可能對他們帶來成本高昂的代價。

3. 自動化

知名風險投資家馬克·安德森曾表示，“軟件正在毀滅地球”。如今，軟件似乎正在進入每個組織的核心業(yè)務。2021年將在技術領域?qū)崿F(xiàn)新的模式，因此管理不善將增加組織的技術債務，而這些債務到最后必須還清。因此，相對于今年技術采用的發(fā)展趨勢，可能會發(fā)現(xiàn)技術支出的變化。企業(yè)預算將繼續(xù)從IT轉(zhuǎn)向更關鍵的業(yè)務運營。由于DevOps指標十分關鍵，隨著業(yè)務價值取代發(fā)展速度，組織的領導者將吸引更多的投資來增加收入。

軟件開發(fā)和數(shù)據(jù)技術支出的重點將放在人工智能的實現(xiàn)上。2021年的眾多主題之一將是現(xiàn)有的技術實現(xiàn)自動化。因此，基于Tamr、Paxata和Informatica CLAIRE等基于人工智能的項目可以識別并修復異常值、復制記錄和不同的缺陷，這些項目將使其不斷學習，這歸功于數(shù)據(jù)凈化和更高的質(zhì)量。

4. 機器學習與物聯(lián)網(wǎng)的交集

物聯(lián)網(wǎng)是一個快速發(fā)展的細分市場。根據(jù)分析機構Transforma Insights公司的預測，到2030年，全球物聯(lián)網(wǎng)市場將增長到241億臺物聯(lián)網(wǎng)設備，并將創(chuàng)造1.5萬億美元的收入。

機器學習的利用與物聯(lián)網(wǎng)逐漸交織在一起。例如，現(xiàn)在正在利用機器學習、人工智能、深度學習來使物聯(lián)網(wǎng)設備和服務更智能、更安全。在任何情況下，由于機器學習和人工智能需要大量的數(shù)據(jù)才能有效地工作，這兩者的優(yōu)勢是雙向的，這正是物聯(lián)網(wǎng)傳感器和設備網(wǎng)絡所提供的。

例如，在工業(yè)環(huán)境中，制造工廠的物聯(lián)網(wǎng)網(wǎng)絡都可以收集運營和性能信息，然后由人工智能系統(tǒng)進行分析，以提高生產(chǎn)系統(tǒng)的性能、支持效率并預測機器何時需要維護。

5. 更快的計算能力

人工智能分析師開始了解人工神經(jīng)網(wǎng)絡的功能以及采用它們的最佳實踐。這表明在未來一年內(nèi)，算法的突破將繼續(xù)出現(xiàn)在務實的發(fā)展和新的問題解決系統(tǒng)。隨著第三方云計算服務提供商鼓勵在云平臺中部署機器學習算法，云計算機器學習解決方案也正在迅速崛起。人工智能可以解決一系列問題，這些問題需要尋找洞察力并做出決策。然而，如果組織沒有處理機器建議的能力，則很難接受這個建議。通過特定的路線，可以預見在此期間的持續(xù)增長，以提高有關人工智能算法的透明度和可解釋性。

6. 強化學習

強化學習（RL）在未來幾年內(nèi)可以被組織普遍采用。它是對深度學習的獨特利用，組織可以利用自己的經(jīng)驗來提高捕獲數(shù)據(jù)的有效性。

在強化學習中，人工智能編程是在各種條件下設置的，這些條件描述了軟件將執(zhí)行何種活動。針對不同的動作和結(jié)果，采用軟件進行自學習，以達到理想的最終目標。

強化學習的一個理想例證是聊天機器人，它可以處理簡單的用戶查詢，例如問候、訂單預訂、咨詢電話。機器學習開發(fā)公司可以利用強化學習（RL）通過添加順序條件使聊天機器人更加巧妙，例如區(qū)分潛在客戶并將呼叫轉(zhuǎn)移到相關的服務代理。強化學習（RL）的其他一些應用包括商業(yè)戰(zhàn)略規(guī)劃的機器人技術、機器人運動控制、工業(yè)自動化以及飛機控制。
責編AJX