來源：Artificial Intelligence: Forecasts for 2020
作者：Adedeji Adewale
2019年，全球53%的決策者宣佈已經建立了AI數據分析系統，將在他們的公司內部全面發展人工智能。以下是對2020年人工智能的預測。
這些結果是對《財富》500強公司的調查統計得出的。財富500強公司被公認為是美國最賺錢的公司。研究發現，29%的開發者近年來從事過人工智能和機器學習方面的工作。這些發現來自Forrester的一項研究。
有關公司所在IT部門中的54%的決策都是由人工智能處理的，並且產生了預期的良好效果。
實現特定過程的智能自動化
根據Forrester的數據，25%的500強公司計劃實施數百種智能過程自動化(IPA)。換句話說，就是通過人工智能來實現特定任務的自動化。
因此，作為人工智能實現的一部分，包括特定的自動化機器人任務。公司將特別使用文本分析和機器學習來處理輸入的電子郵件和文檔。實現自動響應或聊天機器人，模仿人類的行為與互聯網用戶或客戶交談，也稱為會話代理。
會話代理
會話代理程序可以很好的節省時間，特別是對於HR員工和IT團隊。大數據的處理需要一定的機器學習監控工具。所以需要創建對數據進行分類的算法程序。
分類算法
算法對數據的分類能力越強，人工智能就越能準確的識別出正常的數據，以及異常行為的數據，從而更快地發現問題，及時採取必要的糾正措施。
對自動化過程的投資
Forrester公司認為，這種自動化過程投資的增加，部分原因是由於中國經濟的衰退。
中國的經濟衰退可能會導致利率上升，這不僅會抑制消費和投資，還會降低企業的市場價值。在科技公司中，市值縮水尤為明顯。科技企業的估值高度依賴於長期利潤的增長。
定位自動化
企業希望發展這些自動化行業，以確保其服務的效率。報告還指出，這些自動化市場轉型起來也更快，而且比需要長期投資的人工智能創新項目轉型成本更低。
- 人工智能基準，競爭力的新武器
隨著人工智能市場的不斷增長，很難有公認的哪個計算平臺作為處理人工智能工作負載的最快、最具可伸縮性、最便宜的平臺。因此，行業基準應該發揮越來越重要的作用。
測量基準
去年，MLPerf基準在競爭力方面脫穎而出。從英偉達(Nvidia)到谷歌，所有的玩家都在這些測試中表現優異。
到2020年，人工智能基準將成為營銷戰略的一個關鍵元素，隨著時間的推移，這一領域將變得越來越普遍。
- 在一定程度的質疑面前，發展遠遠沒有減弱
弗雷斯特指出了與人工智能使用相關的一些危險。例如：社交網絡上某些算法所產生的虛假信息、面部識別技術帶來的大規模技術監控、人臉智能識別算法導致的“深度偽造”視頻的泛濫。
Forrester稱，所有這些都不會減少2020年企業對人工智能的投資。該報告將證明人工智能的重要性和必要性，並使人工智能的使用變得“透明”。
- 考慮數據源需求
根據Forrester的研究，人工智能在公司的植入必然會鼓勵管理者採取必要的措施，來促進開發人員在機器學習方面的工作。在大多數情況下，公司花費超過70%的時間來維護程序正常運行所必需的所有數據。
- SaaS模式的人工智能降低了對數據科學家的需求
自去年以來，來自AWS、微軟、谷歌、IBM等供應商提供的機器學習服務勢頭強勁。
隨著人工智能趨勢的升溫，越來越多的商業用戶將依賴這些雲提供商來滿足他們更多的人工智能需求。雲提供商將會降低企業內部聘用數據科學家的需求。
SaaS提供商和人工智能
到2020年底，SaaS提供商將成為自然語言處理、預測分析和其他人工智能應用的主要提供商。這些人工智能應用程序將包括平臺服務和DevOps工具等。
那些將繼續實施人工智能計劃的公司將進一步自動化數據科學家的角色，因此他們將不需要僱傭新的機器學習建模師、數據工程師和技術支持人員。在未來十年內，大多數數據科學家將主要由SaaS和其他雲提供商進行招聘。
- 持續的學習和實驗
每個企業的數字化轉型都想找到最合適的學習模型。然而，學習模型需要在真實的環境中進行實驗。其中 ML model模型工具將幫助企業自動選擇那些能夠實現所需結果的測試和模型。
業務流程中的實踐
到2020年底，大多數公司將在所有業務流程中實現人工智能，包括與客戶的接觸和後端操作。
隨著更多的企業向雲提供商尋求人工智能工具，AWS最近將建立新的業務迭代模型和跟蹤模型。這些新功能都將成為專業應用程序環境中24/7-AI模型的規範。
AI的優秀實踐
在未來十年中，基於AI的自動化和DevOps功能將成為AI業務流程的優秀實踐。
- 開發人員的工作被AI自動化
神經網絡是現代人工智能的核心。到2020年，企業數據科學家的工作計劃將開始納入一種基於人工智能的新方法，稱為“神經架構研究”，其目的是根據目標自動構建和優化神經網絡。
隨著神經結構的採用和改進，對神經結構的研究將提高數據科學家的生產率，幫助他們在已有的機器學習算法(如線性迴歸和隨機決策樹算法)或任何最新和最先進的神經網絡算法的基礎上建立模型。
建立人工智能端到端的透明度。
人工智能正在成為企業應用中一個越來越重要的風險因素。隨著企業因社會經濟偏見、侵犯隱私和人工智能應用程序的其他不良影響而面臨的訴訟激增，法律官員將要求對機器學習模型進行全面跟蹤，以查明它們是如何建立、訓練和管理的，以及它們在企業應用程序中是如何使用的。
到2020年底，大多數公司的法務經理將要求他們的數據科學家團隊自動記錄機器學習過程的每一步，並用通俗易懂的語言解釋每個模型所產生的自動推理。未來10年，人工智能項目的透明度將是獲得資金的決定性因素。
在未來幾年，幾乎所有產品都需要基於人工智能及其端到端的監管。尤其是那些使用個人身份信息的產品將會增加。
除了人工智能發展中對透明度的日益重視之外，現在就斷言這些未來法規將對基礎平臺、工具和技術的發展產生何種影響還為時過早。但無論局勢如何發展，這些監管舉措似乎只會在未來不斷加強。
閱讀更多 工業互聯網研習社 的文章
