共计 3717 个字符，预计需要花费 10 分钟才能阅读完成。
摘要：2019 技术发展趋势早知道，你值得拥有！
考虑到技术变革的速度，我认为让专业 IT 人士分享他们对 2018 年最大惊喜及 2019 年预测的看法会很有趣。以下是他们对人工智能（AI），机器学习（ML）和其他数据科学迭代的看法：
CLARA 分析公司首席执行官兼创始人：Chiara Lakshmikanthan
2018 年的惊喜：我对 AI 已经应用于 InsureTech 行业的快速步伐感到惊讶。但更重要的是，商业保险公司在其工作流程的某些部分（如承保，理赔业务和客户服务）开始使用 AI 以保持竞争优势。
2019 年的预测：在 B2B 的 AI 领域，人们越来越关注硬实力的储蓄和价值。AI 的理论价值主张被广泛接受，但是，大多数公司在未来几年对 AI 技术提供商的期望也将更高。
Sinequa 产品营销总监 Scott Parker：
虽然围绕 ML 和 AI 进行了大量宣传，但具有变革性的 AI 还有很多仍在实验室中进行测试。
对于 2019 年，ML 和 AI 最终会以某种方式从实验室和现有应用程序中找到出路。在大多数情况下，人们甚至不知道它在那里，因为它将以无缝的方式嵌入。
数据科学家 Minkyung Kang：
惊喜：端到端机器学习服务使 ML 工作流程变得更加简单。数据科学家和开发人员可以在一个地方构建，训练和管理 ML 模型，并将模型大规模转移到生产环境，而无需过多担心管道和架构。
预测：在 ML 工作流程中连接和集成不同的步骤和流程将得到进一步改进和简化，并允许许多初创公司和企业使用更少资源的 ML 应用程序快速移动。这将进一步扩展到 ML 的整个生命周期的管理，包括数据收集和管理。
Anaconda 的联合创始人兼首席技术官：Peter Wang
惊喜:Github 和 Red Hat 的收购，Cloudera 和 Hortonworks 的合并也令人惊讶, 它标志着 Hadoop“大数据”炒作周期的终结，并清楚地表明分析和 ML 的未来增长必须针对异构存储架构。
预测:
“数据科学”作为一个领域将分成几个子专业，包括数据工程，高级统计推断和解释器，我们需要为它制定标准和最佳实践。
随着我们更多地了解国家发展人工智能的力度和用传感器来完善监控状态，这将为更多的数据隐私立法提供动力。
SIOS Technology 总裁兼首席执行官：Jerry Melnick
数据分析和人工智能将无处不在：数据分析和人工智能将继续变得更加专注，专门针对特定问题而构建，这些功能将越来越多地嵌入到云平台和管理工具中。
例如，用人工智能驱动的基础设施工具现在被用于分析来自无数监测和管理工具的输入，许多这些人工智能工具都致力于解决整个 IT 领域的广泛问题。在 2019 年这些快速发展，更加专注 IT 人员遇到的最关键的问题及常规和复杂问题。这种备受期待的功能将简化 IT 运营，提高基础架构和应用程序的稳健性，并降低总体成本。
随着这一趋势，人工智能和数据分析将自然地嵌入到 HA 和 DR 解决方案以及 CSP 产品中，以增强其运营的稳健性。通过快速，自动和准确地了解问题并诊断复杂配置中的问题，从云提供的关键应用程序服务的可靠性和可用性将大大提高。
BISim 高级总监：OISkar Nieder
机器学习和深度学习（DL）形成的 AI 革命在软件开发行业中继续受到越来越多的关注。随着图形处理单元（GPU）加速的引入，以前存在的时间和计算限制被消除，新的易于使用的框架和数据中心将使这些技术在 2019 年向所有人提供。
Python，C ++ 和 Javascript 将在 2019 年继续作为主要编码语言。然而，对于开发人员来说，体验 TensorFlow 或 Caffe for AI 和 Angular 或 React 等 Web 语言开发的语言框架将变得更加重要。
Micro Focus 战略总监：Mark Levy
在 2019 年，AI 和 ML 将与自动化融合，并将彻底改变 DevOps。在过去的几年中，自动化在 DevOps 中的作用继续成为更大实践的一个重要方面。目前，主要的重点是自动化过程或事件驱动的手动可重复任务，但 AI/ML 显示变化的新进展即将出现。通过 AI 和 ML 的融合，自动化有可能展示前所未有的智能，因为新系统将关注趋势，以及分析和关联整个价值流以预测和预防问题。随着 DevOps 实践专注于提高运营效率，ML，AI 和自动化即将融合将为使用 DevOps 的公司带来显着优势。
Micro FocusVertica 产品营销副总裁 Joy King
在 2019 年，ML 项目将从科学项目和创新实验室转向由行业颠覆者领导的全面生产。事实上，每家公司都有 ML 项目，但其中大多数都依赖于无法访问跟业务目标相关的所有数据的专业平台。所有数据都存储在各种数据仓库和数据库中，其中没有一个能够运行端到端 ML，迫使数据移动到专业平台。然而，仅使用一部分数据来训练和评分 ML 模型，从而导致精度有限。在 2019 年，当前的行业颠覆者和智能传统公司将把 ML 带到其所有数据，而不是将其数据转移到 ML 平台上。这些公司将更准确地预测结果，包括医疗设备的预测性维护，基于个性化客户行为分析的预测收入，主动检测欺诈等非服务。
Portworx 的联合创始人兼首席执行官 Murli Thirumale
人工智能和自动化将改变 IT 的经济方向。即使基础设施本身变得可编程，大多数 DevOps 仍然由人驱动。但是数据量增长如此之快，应用程序发展如此之快，这就要求基础架构必须足够灵活，这样才不会成为瓶颈。在 2019 年，基础设施将变得越来越可编程，基于 AI 的机器将预测存储和计算需求，并根据网络状况，工作负载和历史模式自动分配资源。
NICE 解决方案营销人员 Karen Inbar
机器人自动化将创造新的就业机会。随着机器人过程自动化（RPA）的出现，组织内部正在衍生出新的角色。2019 年，更多公司将招聘新的专业职位和角色，如 RPA 工程师、RPA 架构师和 RPA 顾问，以帮助员工了解 RPA 最佳实践以及 RPA 如何强化工作流程。随着 RPA 技术在工作场所变得更受欢迎和更具吸引力，“首席机器人官”等新职位也将开始出现。
公司需要选择自动化哪些流程。2018 年的许多自动化项目都失败了，因为它们选择了对错误的流程进行自动化。在 2019 年，公司需要更密切地评估任务的时间分配和复杂性，这种自动化任务的战略性重新确定优先级将确保组织在数字化转型工作中推动投资回报率和成功。一旦组织掌握了更简单的任务的自动化，他们就可以引入更先进的技术，例如光学字符识别（OCR），使无人值守的机器人能够解释更多的数据元素。
WekaIO 首席技术官 Andy Watson
到目前为止，我们知道用于 ML 的数据集每年都在变大，不仅是累积量，还因为信号源（相机、物联网传感器、软件日志等）的数量越来越多。我们“预测”ML 研究人员将利用越来越多的功能强大的 GPU 来处理前所未有的大量数据。但这仅仅是对当前趋势的观察，而不是预测。
相反，让我们来看看如何使用这些更大的数据体。我可以通过 ML 训练来预测松弛参数，以允许软件减少训练错误，对支持 ML 计算环境的存储基础设施将产生影响。
ML 的领导者 DeepMind 最近发表了一篇重要论文：“关系归纳偏见，深度学习和图形网络。”一个关键点是 ML 训练可能会发展出一种更为徒手的方法，允许其软件影响其学习途径的选择标准（通过推理模式），这将影响数据存储基础架构。
在今天的任何大型数据集中，我们都有一个“工作集”– 最活跃的数据子集，最常见的是最新数据。例如，在一组 ML 研究人员可能累积用于培训的所有许多 PB 中，他们数据中心的通常情况是，从较慢的“冷”存储中只能提升几百 TB 的总数据库，因此他们的 GPU 可以在“热”快速存储层中访问它。然而，随着这种大变化，将难以确定哪个数据应该是任何给定工作集的成员。相反，将整个事物视为可能必要的可能是适当的。正在进行的各种 ML 事件中的每一个将从所有那些 PB 中选择不同，并且这将指示所有数据被放置在热层中。
McAfee 的首席技术战略师 Candace Worley
首席分析官（CAO）和首席数据官（CDO）将需要监督 AI。当公司扩展 AI 的使用时，必须做出无数的决定。隐私监管存在影响，但也存在法律，道德和文化方面的影响，我们需要在 2019 年创建一个专门的角色，并对 AI 的使用进行执行监督。在某些情况下，AI 已经表现出不利的行为，例如种族貌相，不公平地拒绝个人贷款以及错误地识别用户的基本信息。CAO 和 CDO 将需要监督 AI 培训，以确保 AI 决策避免伤害。此外，人工智能必须接受培训，以处理真正的人类困境，优先考虑司法，问责制，透明度，同时还要检测黑客攻击和数据滥用。
可解释的 AI 将成为一项要求，特别是对于金融 / 银行和医疗行业。如果 AI 为个人的健康或治疗提出医疗建议，医生必须能够解释用于得出该结论的逻辑和数据。我们尚未与人工智能的关系处于某种程度，许多人因为人工智能的推荐而愿意接受药物治疗或手术，特别是如果涉及的医疗专业人员无法解释其建议的“原因”。在金融行业，我们将看到使用自动分析和认知消息，根据客户需求提供有关股票，债券，房地产和其他资产的财务指导和投资建议。在这里，消费者也需要对基于 AI 的决策进行解释。
本文作者：【方向】阅读原文
本文为云栖社区原创内容，未经允许不得转载。
