人們將繼續看到2019年及以后的機器學習和人工智能相關技術的進步。亞馬遜、蘋果、Facebook、谷歌、IBM和微軟等公司正在投資研發人工智能，這將有助于生態系統將人工智能接近最終消費者。

在2018年，人們目睹了基于機器學習和人工智能的平臺、工具和應用程序的急劇增長。這些技術不僅影響了軟件和互聯網行業的發展，還影響了醫療保健、法律、制造業、汽車和農業等其他垂直行業。

人們將繼續看到2019年及以后的機器學習和人工智能相關技術的進步。亞馬遜、蘋果、Facebook、谷歌、IBM和微軟等公司正在投資研發人工智能，這將有助于生態系統將人工智能接近最終消費者。

以下是2019年人們需要關注的5種人工智能趨勢：

(1)人工智能芯片的興起

與其他軟件不同，人工智能十分依賴專用處理器來對CPU提供計算能力的補充。即使是最快和最先進的CPU也可能無法提高人工智能模型的訓練速度。在推理時，該模型需要額外的硬件來執行復雜的數學計算，以加速對象檢測和面部識別等任務。

2019年，英特爾、NVIDIA、AMD、ARM和高通等芯片制造商將推出專用芯片，加速執行支持人工智能的應用程序。這些芯片將針對與計算機視覺、自然語言處理和語音識別相關的特定用例和場景進行優化。來自醫療保健和汽車行業的下一代應用將依賴這些芯片為最終用戶提供智能服務。

2019年也將是亞馬遜、微軟、谷歌和Facebook等超大規模基礎設施廠商將增加對基于現場可編程門陣列(FPGA)和專用集成電路(ASIC)的定制芯片投資的一年。這些芯片將針對基于人工智能和高性能計算(HPC)運行現代工作負載進行大量優化。其中一些芯片還將協助下一代數據庫加速查詢處理和預測分析。

早期項目是：亞馬遜的Nitro、谷歌Cloud TPU，微軟Project Brainwave、英特爾Myriad X VPU

(2)邊緣的物聯網和人工智能的融合

在2019年，人工智能在邊緣計算層將與物聯網結合。在公共云中訓練的大多數模型將部署在邊緣。

工業物聯網是人工智能的頂級用例，可以執行異常檢測、根本原因分析和設備的預測性維護。

基于深度神經網絡的高級機器學習模型將進行優化以在邊緣運行。他們將能夠處理視頻幀、語音合成、時間序列數據和由攝像機、麥克風和其他傳感器等設備生成的非結構化數據。

物聯網將成為企業人工智能的最大驅動力。邊緣設備將配備基于FPGA和ASIC的專用人工智能芯片。

早期項目是：支持機器學習推理的AWS Greengrass、Azure IoT Edge人工智能工具包、Google Cloud IoT Edge、FogHorn Lightning Edge Intelligence和TIBCO公司的Project Flogo。

(3)神經網絡之間的互操作性成為關鍵

開發神經網絡模型的關鍵挑戰之一在于選擇正確的框架。數據科學家和開發人員必須從多種選擇中選擇合適的工具，包括Caffe2、PyTorch、Apache MXNet、Microsoft Cognitive Toolkit和TensorFlow。一旦模型在特定框架中進行了訓練和評估，就很難將訓練好的模型移植到另一個框架中。

神經網絡工具箱之間缺乏互操作性阻礙了人工智能的采用。為了解決這一挑戰，AWS、Facebook和Microsoft合作建立了開放式神經網絡交換(ONNX)，這使得在多個框架中重用經過訓練的神經網絡模型成為可能。

在2019年，開放式神經網絡交換(ONNX)將成為該行業的重要技術。從研究人員到邊緣設備制造商，生態系統的所有關鍵參與者都將依賴ONNX作為推理的標準運行時間。

早期項目是：Windows 10附帶運行ONNX、英特爾公司支持ONNX的OpenVINO工具包。

(4)自動化機器學習將更加突出

從根本上改變基于機器學習的解決方案的一個趨勢是AutoML。它將使業務分析師和開發人員能夠開發可以解決復雜場景的機器學習模型，而無需經過機器學習模型的典型訓練過程。

在處理AutoML平臺時，業務分析師會專注于業務問題，而不是迷失在工作流程中。

AutoML完全適用于認知API和自定義機器學習平臺之間。它提供了正確的自定義級別，而無需強迫開發人員完成精心設計的工作流程。與通常被視為黑盒子的認知API不同，AutoML具有相同程度的靈活性，但自定義數據與可移植性相結合。

早期項目是：DataRobot、Google Cloud AutoML、Microsoft自定義認知API、亞馬遜Comprehend的自定義實體。

(5)人工智能將通過AIOps使DevOps實現自動化

現代應用程序和基礎設施正在生成日志數據，這些數據被捕獲以用于索引、搜索和分析。從硬件、操作系統、服務器軟件和應用軟件中獲得的大量數據集可以被聚合和關聯，以發現洞察力和模式。當機器學習模型應用于這些數據集時，IT操作從被動轉變為預測。

當人工智能的強大功能應用于運營時，它將重新定義基礎設施的管理方式。機器學習和人工智能在IT運營和DevOps中的應用將為組織提供智能。它將幫助運營團隊進行精確和準確的根本原因分析。

AIOps(智能運營)將在2019年成為主流。公共云供應商和企業將從人工智能和DevOps的融合中受益。

早期項目是： Moogsoft AIOps、Amazon EC2 Predictive Scaling、Azure VM resiliency、Amazon S3 Intelligent Tiering機器學習和人工智能將成為2019年的關鍵技術趨勢。從業務應用到IT支持，人工智能將對行業產生重大影響。