在RapidMiner，我们都知道人工智能必须积极塑造商业和整个世界的未来。虽然许多企业对实现人工智能相对较新，但我花了数年时间仔细研究了一些重要的问题用例并掌握最新潮流。
人工智能的炒作直到2022年才开始增长，但持续的趋势是无根据炒作与冷酷现实的区别。在这篇文章中，我将分解这些炒作和流行语，了解我认为的当前五大人工智能和机器学习趋势，以及我预测它们将如何产生影响乐鱼平台进入在未来的岁月里。
我们过去的预测如何衡量？
就像我躺在床上一样乐鱼平台进入数据科学宣言，问责是数据科学家角色的重要组成部分。如果我不承认以前的错误，那我就是失职了人工智能预测2020年及以后，看看他们是否取得了成果。
- 控制其他模型的模型：RapidMiner通过开发我们自己的系统帮助实现了这个预言（这可能是欺骗嘘）偏差检测能力，但在我们完全相信模型能够自行管理偏差之前，技术还有一段路要走。最初预测的精神是越来越强调检测模型不匹配和偏差，这一点肯定是正确的！越来越多的组织开始关注人工智能的公平性。Salesforce、Airbnb和Fidelity最近向首席道德官灌输了在ML模型中应对不匹配和偏见的方法，并创造了更符合道德的数据科学。乐鱼平台进入
- 自动深度学习的民主化：虽然在增加可访问性方面取得了一些进展深度学习对于“公民用户”，深度学习用例比两年前被更广泛地采用，有更多的DL方法可用于解决复杂问题。例如，计算机视觉技术可以进一步用于供应链可视性、异常检测和边缘计算（稍后将详细介绍CV）。
- 无标签培训：转移学习是一种特定类型的机器学习，我们将预先训练好的模型作为新的ML模型的一部分进行重用，以实现更快、更准确的学习过程。转移学习的使用增加，以及Appen众包标签等众包功能，使得这一预测非常准确。
- 问责是新的准确性当前位置：数据科学的蜜月期肯定即将结束，而对乐鱼平台进入模型操作随着模型监控和责任制的改善，仍然需要进行重大的文化转变。大多数模型仍然没有部署，这一事实向我表明，我们在我们的领域仍然缺乏真正的责任感。
- 合奏2.0：深度功能和可解释人工智能：虽然深度功能并没有像我预期的那样真正实现，可解释人工智能，尤其是可以理解的模型，已经成为一个巨大的话题。LIME和SHAP是两位受欢迎的解释者，他们都能够抽象出理解深度学习的困难部分，从而使ML模型更容易为公民数据科学家和商业分析师解释。
并不是我们所做的每一个预测都是本垒打，但总体而言，我们确实看到在数据科学领域朝着更道德、更负责任的实践方向取得了巨大进步。现在，让我们把注意力转向我对未来几年人工智能的预测。乐鱼平台进入
1.自动化数据科学的持续发展乐鱼平台进入
AutoML工具旨在让非专家更容易获得模型创建的技术已经变得无处不在，人工智能即服务的兴起表明，人工智能开发生命周期中其他地方的自动化和增强方面的其他进步也将很快商品化。
虽然AutoML可以节省时间和精力，同时让非数据科学家更容易访问预测分析，但它目前的功能无法取代真正的数据科学家。数据科学家不仅仅是建立模型！他们管理整个人工智能开发生命周期。
话虽如此，我预测2022年，通常被遗忘的数据科学任务和“软技能”的自动化将进一步发展乐鱼平台进入想象一个程序能够执行用例分析，并在几秒钟内告诉您数据最能解决的问题。其他领域，如偏差检测、风险评估和目标推荐，也有丰富的创新机会。
2.DSML市场的分歧
高德纳（Gartner）等知名专家和分析师报告称，DSML市场分为专家或“工程”和“多人”两个部分DSML工程平台以代码为中心，旨在为数据科学设计ML驱动的系统。另一方面，多人平台则完全是为了民主化，让非技术受众能够访问数据科学功能，并为其供电。乐鱼平台进入
在未来几年，我看到一个主要的机器学习趋势是AWS将在代码密集型工程市场领域建立垄断地位——它们只是拥有太多的优势、太多的动力和太多的价值，无法为开发者提供。同时具有不同优势的多个平台将满足多角色团队的需求。
优先考虑的平台提高技能他们的用户对于接触更广泛的受众、允许角色之间的协作以及更轻松地处理特定于LOB的DSML用例至关重要。
3.接受低编码
低代码方法的商业好处是巨大的，尤其是在数据科学领域。不同的公民开发者群体可以构建自己的模型，而不必完全陷入复杂代码的杂草中。这就是“民主化”的概乐鱼平台进入念。
然而，低代码解决方案的好处不仅适用于初学者。低代码让经验丰富的开发人员能够专注于复杂业务流程的高度定制编码，同时将他们从构建低级模型和应用程序中解放出来。看见这个剪辑了解多米诺的数据科学家如何利用RapidMiner的低代码界面扩展基于R的模型，从而更容易预测供应链需求。
这听起来可能很疯狂（有人说我更糟！），但我预计编码人员将成为采用低代码解决方案的驱动因素.使用低代码解决方案意味着数据科学项目更多地由拉动（例如：想要一个项目的用户乐鱼平台进入）而不是推动（想要完成某件事的利益相关者）驱动。采用低代码意味着开发人员可以更快地构建模型，并委派更多任务，从而使程序员有机会显著提高工作效率。
4.环境人工智能的兴起
各个行业的可持续发展计划都在增加，尤其是在能源、石油和天然气等传统上不环保的行业。随着越来越多的组织承诺“走绿色道路”，企业面临着实施技术的压力，这些技术可以减少环境足迹，同时获得收入。
人工智能已经被用于应对环境挑战，如减少能源浪费、防止未来森林砍伐、防治海洋污染，以及制定安全的水处理政策。虽然我预测人工智能将继续被用于可持续的使用案例，我还预计人工智能自身的碳足迹将得到新的关注。
从大量数据中学习的ML模型可能更准确，但它们也有更负面的影响环境影响。虽然增加转移学习方法的使用和向云计算的过渡是减少占地面积的一种手段，但优化ML算法不仅有利于更快的运行时间或更低的内存使用，而且还有利于降低能耗。除此之外，探索冷却数据中心的替代方法，使用更少的物理硬件，以及云提供商承诺实现碳中和的，是真正创建绿色AI的关键。
5.计算机视觉变得越来越实用
我在回顾2020年的预测时提到，计算机视觉可以应用到更多的用例中，我预计这将在2022年实现。过去，计算机视觉在云端运行时面临着挑战，因为它严重限制了它在现实世界中的应用。响应速度慢、运营成本高、缺乏隐私，这些都是由硬件需求和扩展复杂性造成的。
Edge computing在使计算机视觉更易访问方面取得了巨大进步。AWS的开发者们已经响应了在Panorama上部署模型的愿望。计算机视觉的类似创新和简化使复杂的人工智能项目民主化，并使其更容易实现。
我预测其他供应商会用他们自己的解决方案做出回应，使计算机视觉更容易用于需要实时处理的项目例如，制造商可以实施CV来检测材料缺陷，监控建筑入口以提高安全性，并实时提醒员工。
你是否好奇如何让这些人工智能趋势为你和你的组织工作？查看我们最近与Forrester就数据科学用例解密所做的一项研究：乐鱼平台进入加快数据驱动的转型.
