原文地址：2023年机器学习趋势剖析
机器学习和人工智能是一个推动不同行业重大翻新的畛域。据预测，2023年，人工智能市场将达到5000亿美元，2030年将达到15971亿美元。这意味着机器学习技术在不久的未来将会有继续的高需要。
然而，机器学习行业倒退十分迅速：新技术和科学研究定义了新产品和服务的构建形式。2022年底，从机器学习工程师到初创公司创始人，每个人都在寻找下一年最有心愿的趋势。
01 机器学习技术趋势
因为每天都有新的翻新呈现，咱们永远无奈100%必定地预测明年会有什么样的技术需要。但依据咱们在2022年看到的状况，以下是2023年最有心愿的机器学习趋势。
1.1 基石模型（Foundation models）
大型语言模型是一项重要的翻新，最近很受欢迎，而且在之后较长的一段时间很可能会始终随同着咱们。基石模型是一种人工智能工具，即便与惯例神经网络相比，也能够依据大量数据进行训练。
工程师们心愿计算机不仅要通过搜寻模式进行了解，还要积攒常识来达到新的了解程度。基石模型在内容生成和摘要、编码和翻译以及客户反对方面十分有用。家喻户晓的基石模型案例有GPT-3和MidJourney。
基石模型的一个惊人之处在于，它们还能够疾速扩大，并解决从未见过的数据，因而具备杰出的生成能力。这些解决方案的当先供应商是NVIDIA和Open AI。
1.2 多模态机器学习
在计算机视觉或自然语言解决等波及模型与事实世界交互的工作中，模型通常只能依赖一种类型的数据，图像或者文本。但在现实生活中，咱们通过许多感官感知四周的世界：嗅觉、听觉、视觉和滋味。
多模态机器学习通过多种形式（模态）来体验咱们四周的世界的事实来构建更好的模型。“多模态（MML）”就意味着要构建能够像人类一样一次以多种模态感知事件的ML模型 。
建设MML能够通过组合不同类型的信息并在训练中应用它们来实现。例如，将图像与音频和文本标签相匹配，使其更易于辨认。到目前为止，多模式机器学习是一个很新的畛域，尚待2023年开发和倒退，但许多人认为它可能是实现通用人工智能的要害。
1.3 Transformers
Transformers是一种人工智能架构，它应用编码器和解码器对输出数据序列进行转换，并将其变换为另一个序列。许多基石模型也建设在Transformers上。咱们想独自提出它们，是因为它们用于许多其余应用程序。事实上，据报道，Transformers正在席卷AI世界。
Transformers也被称为Seq2Seq模型，宽泛用于翻译和其余自然语言解决工作。因为Transformers能够剖析单词序列而不是单个单词，所以它们通常显示出比一般人工神经网络更好的后果。
Transformers模型可能调配权重，以评估序列中每个单词的重要性。而后，该模型将其转换为不同语言的句子，并思考到调配的权重。能够帮忙您构建Transformers Pipeline的一些当先解决方案是 Hugging Face和Amazon Comprehend。
1.4 嵌入式机器学习
嵌入式机器学习（或TinyML）是机器学习的一个子畛域，它使机器学习技术可能在不同的设施上运行。
TinyML可用于家用电器、智能手机、笔记本电脑、智能家居零碎等。正如ABI Research的AI&ML首席分析师Lian Jye Su所解释的：
人工智能的广泛应用和生活化推动了物联网（IoT）剖析的倒退。从物联网设施收集的数据用于训练机器学习（ML）模型，为物联网整体产生有价值的新思路。这些利用须要依赖简单芯片组的弱小且低廉的解决方案。
嵌入式机器学习零碎的日益遍及是芯片制造业的次要推动力之一。如果说十年前，依据摩尔定律，芯片组上的晶体管数量每两年翻一番，这也让咱们可能预测计算能力的增长，那么在过来几年中，咱们曾经看到了每年40-60%的飞跃。咱们置信，这一趋势在将来几年也将继续上来。
随着物联网技术和机器人技术的宽泛遍及，嵌入式零碎变得更加重要。Tiny ML畛域有本人独特的挑战，这些挑战尚待2023年解决，因为它须要最大限度的优化和效率，同时节俭资源。
1.5 Low-code和No-code解决方案
机器学习和人工智能简直渗透到了从农业到营销到银行业的各个领域。使ML解决方案易于非技术员工应用通常被管理者认为是放弃整个组织效率的要害。
然而，与其经验漫长而低廉的编程学习过程，不如简略地抉择须要零或靠近零编码技能的应用程序。但这不是No-code解决方案可能要解决的惟一问题。
Gartner发现，市场上对高质量解决方案的需要比Deliver的可能性更大——“Deliver这些解决方案的速度至多比it能力快5倍”。（Gartner has found that the demand for high-quality solutions on the market is bigger than the possibilities to deliver – “it grows at least 5x faster than IT capacity to deliver them”.）
No-code和Low-code解决方案能够帮忙补救这一差距并满足需要。同样，Low-code解决方案使技术团队可能更快地提出并测试他们的假如，从而缩小交付工夫和开发成本。如果10年前，须要一整个团队来构建应用程序或启动网站，那么明天只有一个人就能够做到同样的事件，而且速度很快。
此外，82%的组织在吸引和放弃软件工程师的品质和数量方面遇到困难，这些组织更违心在No-code和Low-code技术的帮忙下构建和保护他们的应用程序。
尽管近年来呈现了许多Low-code和No-code解决方案，但总的趋势是，与惯例开发相比，它们的品质依然较差。可能改善现状的初创企业更能在人工智能市场中拔得头筹。
最初，值得一提的是，随着训练ML模型所需的计算能力的快速增长（特地是对于大型组织中运行的实时ML），云计算依然是翻新的一项重要技术撑持。据统计，寰球约60%的企业数据存储在云端，这一数字可能会持续增长。2023年，咱们将看到为了满足ML行业一直增长的需要，对云平安和恢复能力的投资将会继续减少。
02 2023年ML的技术畛域TOP
Gartner曾经确定了将来7-8年内无望倒退最多机器学习的技术畛域。次要畛域包含：
创造性人工智能。用于生成文本、代码，甚至图像和视频的人工智能在2022年取得了宽泛的关注，特地是随着MidJourney公布了SOTA图像生成网络、DALLE-2、Stable Diffusion和Open AI公布了新的text-davinci-003。2023年，将新一代的人工智能用于时尚、创意和营销的产品和服务将会有大量需要。
分布式企业治理。随着近程工作成为一种常态，公司必须寻找新的形式来治理员工并放弃效率。依据Gartner的说法，ML将帮忙分布式公司倒退并增加收入。
自动化。从平安到银行业，许多行业对可能承当日益简单的工作并适应疾速变动条件的自主软件系统的需要都很高。提供更智能自动化的新创产品将在2023年呈现。
网络安全。随着各个生存畛域的日益数字化以及爱护敏感信息的必要性，网络安全的重要性一劳永逸。ML和AI被认为在爱护私人数据和爱护组织平安方面施展着至关重要的作用。
03 论断
2023年，机器学习仍然会是一个有前途且疾速倒退的畛域，将带来许多乏味的翻新。大型语言模型、多模态机器学习、Transformers、TinyML以及No-code和Low-code解决方案是在不久的未来十分重要的新兴技术。
2023年，将越来越多地应用ML的一些技术畛域是创造性人工智能、自动化零碎、分布式企业治理和网络安全。Gartner预测，到2023年，ML将渗透到更多的业务畛域，帮忙提高效率和工作平安。
精彩举荐
- 书籍举荐 - 《可解释机器学习》
- 书籍举荐 -《深度强化学习》
- 字节跳动李航：人工智能的将来，须要新的范式和实践
- AIGC大一统模型来了！CV界泰斗黄煦涛创建团队提出「全能Diffusion」
- 中国信通院 - 京东摸索研究院《人工智能生成内容（AIGC）白皮书（2022年）》