智能家居创业有哪些痛点 这个创业项目最迫在眉睫的问题是什么？ - A5创业网
客服热线：400-995-7855
智能家居创业有哪些痛点 这个创业项目最迫在眉睫的问题是什么？
& 19:20&&来源：A5创业网&
　　智能家居的概念，随着人工智能的成熟，近两年比较火。但是追溯其发展，其实已经有近十年的十年。但是早在应用多在安防、声控、灯控等基础产品之上，产品较为单一独立，随着智能扫地机器人、智能电视、智能空调、智能冰箱这些智能家电产品的落地和智能门锁、智能晾衣架、智能窗帘等新兴智能 家居产品的出现，智能家居系统已经真正落地到普通百姓的生活中。
　　如今的智能家居已经不再局限于某一个单一独立的产品，而是一整套智能家居系统，为不同的家庭需求提供安全、便捷、健康、智能的家居生活体验。把各种家电、家居、安防产品整合到一起，才是真正的智能家居产品。
　　那么，智能家居火爆的背后又有哪些痛点呢
　　一、产品同质化严重
　　前几年智能家居产品单一、独立、难以互联的问题已经逐渐得到解决。随着APP控制、语音识别、人脸识别等技术接口的普及和统一化，不管是系统定制的整套家居系统，还是各种品牌不同的产品，都能够在控制上得到很好的互联。但是各类智能家居产品同质化的问题还很严重。
　　越来越多的企业涌入智能家居产品，有互联网公司，有传统家居家电企业，甚至一些芯片厂商也开始涉足智能家居。市场需求扩大的同时，品牌和产品种类也越来越多。但是智能家居产品背后需要强大资金技术和创新力支撑的特点决定了这个产业多数的公司缺乏核心技术，功能大同小异。虽然都打着各种功能噱头，但实际体验下来，其实都差不多。
　　二、竞争激烈难出头
　　目前智能家居创业公司颇多，各个行业都聚集了几十家甚至上百家的品牌。需求增长的同时竞争也越发激烈，都想从中分得一杯羹，抢的赚钱的先机。但是中国市场经济的规律决定了一个行业，往往是有几家巨头把持市场，下面的中小公司再去瓜分这些巨头&压榨&过的市场份额。
　　现在小米、阿里、百度、360、腾讯等互联网巨头都在涉足智能家居产品，特别是小米，其智能家居产品占公司业绩的比重甚至大有超过手机产品的趋势。而像美的、格力、联想等家电、数码的老牌企业也开始研发智能家居产品，传统家电巨头有得天独厚的经验，而像联想这样的公司在技术上更有说服力。在巨头把持市场大局的情况下，智能家居产品的创业公司虽然借着热潮也能火一把，但是优胜劣汰的激烈程度只会越来越高。
　　三、价格高不亲民
　　智能家居产品由于科技成分的注入，人工智能开发成本较高，好的智能家居产品比普通的家居产品要贵不少，尤其是智能家居整套定制，更是价格令很多家庭望而却步，这是制约市场对智能家居产品认同的最大因素。
　　研发资金的居高不下，让一些中小创业公司厂商很难有能力持续进行创新，也就更难形成规模生产。技术上的不成熟带来的是功能上的同质化和华而不实，而价格又难以得到控制。
　　四、渠道建设较为滞后
　　俗话说的好，酒香也怕巷子深。对于智能家居产业来说尤为如此，特别是中小创业公司，利用传统线下营销模式，做活动发软文烧钱搞竞价，投入高，效果下降难以评估。而线下推广又很难在全国建立起自己的销售渠道。大部分的创业智能家居公司渠道建设严重滞后。
　　再好的产品缺少渠道，也很难打出一番市场。那么选择一个好的招商平台，拓展加盟代理渠道成为这些创业公司解决渠道建站问题的最好的办法。目前国内很多创业加盟平台都为智能家居产品提供了不错的招商渠道，像28商机网、A5、前景加盟网等都非常重视智能家居产品的合作招商。A5创业项目()，做为一家以互联网创业项目招商加盟找项目为主打的平台，则更适合智能家居产品。项目加盟+品牌营销的模式可以帮助创业公司渠道建设和品牌建设同时推进，既节约了成本，又提高了效果。
　　危机中伴随着机遇，而痛点则意味着市场潜力。试想下，智能家居产品在不断的发展中解决了这些痛点，意味着新一轮增长的爆发。做好产品创业和研发，建立优质招商渠道，
　　本文作者：扬扬 来源：A5创业网。转载请注明出处。想招商加盟，了解更多创业赚钱项目，可以关注我们的：iadmin5，一定会有适合您的服务。
　　更多智能家居项目招商请访问：
扫一扫关注A5创业网公众号
责任编辑：扬扬
对于企业来说，招商的重要性不言而喻，项目招商就是针对具体项目而进行的引资行为，继而达到实现商业价值的目的，也利于品牌的快速扩展以及能够快速的占领市场。
爱人在门口迎接，两人一同向里走去。爱人拍拍手掌，突然灯光变得柔和温暖;爱人再按下手机，有悠扬温馨的音乐响起。来到餐厅后，一桌浪漫的烛光晚餐早已经等着你了。拍拍手掌、按下手机就能这么浪漫，您是不是也想拥有这样有情调的生活?智能+家居就能帮您实现!那这种可以控制灯光和音乐的都是什么呢?让我们一起来看看智
智能家居是在互联网影响之下物联化的体现。智能家居不仅具有传统的居住功能，兼备建筑、网络通信、信息家电、设备自动化，提供全方位的信息交互功能，甚至为各种能源费用节约资金。其中家电智能化是智能家居中重要的一环，特别是“小而美”的小家电和黑电，成为智能化的先行者。真正的智能家电将以手机为入口，以家电WIF
随着智能家居行业的不断发展，越来越多的智能家居单品、智能家居控制系统被很多消费者运用，然而还有一些消费者对于智能家居行业呈现观望态度，由于对智能家居控制系统的一知半解，让消费者望而却步，那么什么是智能家居控制系统呢?智能家居控制系统原理是什么呢?
随着近几年智能家居产品的日益增多，很多产品实现智能化的方法是内置Google提供的Android应用，例如智能电视、智能汽车、指纹门锁、智能空调、摄像头、音响等等，但这些产品最大的问题是它们往往永远都不会更新，甚至很多产品压根就没有更新系统软件的接口。
近日，中国图灵大会(ACMTURC2018)在上海召开，业界重磅嘉宾齐聚一堂，蓝盾股份首席技术专家杨育斌应邀出席，并在SIGSACChina专题研讨会上发表“AI驱动智慧安全”主题演讲。
最近，人工智能行业似乎进入了一个集中发布的爆点期。先是Googlei/o大会上发布GoogleAssistant等智能技术，京东发布叮咚智能音箱，锤子也在鸟巢开了一个史无前例的3万人发布会。
5月18日，傲梦编程的“中国青少儿编程万人普及计划”推出了第三次公开课，经过前两次课程的沉淀，傲梦公开课已渐入佳境，家长纷纷表示“觉得很有收获”。而本次公开课，傲梦特邀了CEO袁哲栋先生开讲，与家长分享先进的教育理念。
5月16日至19日，第二届世界智能大会在天津梅江会展中心盛大召开。本次大会以“智能时代：新进展、新趋势、新举措”为主题，中软国际受邀参会，并在云制造专场论坛中做了题为"云制造助力企业转型升级"的主题演讲及案例分享。
智能锁是指区别于传统机械锁，在用户识别、安全性、管理性方面更加智能化的锁具。智能锁可以通过指纹，触摸屏，卡开启门锁。因此选择要格外留心。未来中国会有越来越多的家庭选择智能锁，那么智能锁到底该怎么选?要注意什么呢?
还在为每天繁琐的家务活动烦恼不已?还在辛辛苦苦打扫家里卫生吗?随着科技不断发展，智能扫地机器人早已经成为家务清洁的小帮手，它们的智能化表现彻底征服了众多用户。
人工智能“国家队”云从科技近日不断放出“大招”，一方面云从科技宣布苹果软件工程总监TOM（中文名：谭涛）加盟云从科技任副总裁。原Facebook信息和用户画像（Signals+Identity）团队技术带头人何洪路已加盟云从科技，担任AI大数据部技术总监。
5月12日，航天军民两用技术创新与人工智能发展论坛暨RoboCom三航机器人挑战赛在贵州省贵安新区综合保税区拉开帷幕，与会代表在开幕式后参观了启迪贵安数字小镇科技体验馆。
日，全球文旅产业精品住宿高峰论坛即将强势登陆上海!本次全球峰会共包含了8小时超级大脑SPA、20+位国际大咖震撼发声、4组非凡体验国际大咖Talking、20项大奖为行业赋能、100位全球民宿CEOClub交流晚宴等多项日程，出席人员包括亚特兰蒂斯酒店之父、原迪拜主权财富基金董事局
北京时间5月19日，全球文旅产业精品住宿高峰论坛在上海召开。本次全球峰会共包含了8小时超级大脑SPA、20+位国际大咖震撼发声、4组非凡体验国际大咖Talking、20项大奖为行业赋能、100位全球民宿CEOClub交流晚宴等多项日程
创业好项目
扫描二维码关注A5创业网了解最新创业资讯服务
&徐州八方网络科技有限公司&版权所有&
举报投诉邮箱：
扫一扫关注最新创业资讯最适合人工智能开发的5种编程语言
自从去年，AlphaGo打遍天下棋手无对手，人工智能的风头就一直无人能及。在刚刚过去的IT领袖峰会上，BAT三位大佬都看好人工智能的未来发展。今年年初，百度就做了一个大动作，在医疗方面押宝人工智能，所以在这次峰会上李彦宏也发声称互联网是道开胃菜，人工智能才是主菜。
人工智能是一个很广阔的领域，很多编程语言都可以用于人工智能开发，所以很难说人工智能必须用哪一种语言来开发。选择多也意味着会有优劣之分，并不是每种编程语言都能够为开发人员节省时间及精力。所以我们整理了5种比较适用于人工智能开发的编程语言，希望能够对你有所帮助。
Python由于简单易用，是人工智能领域中使用最广泛的编程语言之一，它可以无缝地与数据结构和其他常用的AI算法一起使用。
Python之所以时候AI项目，其实也是基于Python的很多有用的库都可以在AI中使用，如
Numpy提供科学的计算能力，Scypy的高级计算和Pybrain的机器学习。
另外，Python有大量的在线资源，所以学习曲线也不会特别陡峭。
Java也是AI项目的一个很好的选择。它是一种面向对象的编程语言，专注于提供AI项目上所需的所有高级功能，它是可移植的，并且提供了内置的垃圾回收。另外Java社区也是一个加分项，完善丰富的社区生态可以帮助开发人员随时随地查询和解决遇到的问题。
对于AI项目来说，算法几乎是灵魂，无论是搜索算法、自然语言处理算法还是神经网络，Java都可以提供一种简单的编码算法。另外，Java的扩展性也是AI项目必备的功能之一。
Lisp因其出色的原型设计能力和对符号表达式的支持在AI领域崭露头角。LISP作为因应人工智能而设计的语言，是第一个声明式系内函数式程序设计语言，有别于命令式系内过程式的C、Fortran和面向对象的Java、C#等结构化程序设计语言。
Lisp语言因其可用性和符号结构而主要用于机器学习/ ILP子领域。著名的AI专家彼得&诺维奇（Peter Norvig）在其《Arficial Intelligence： A modern approach》一书中，详细解释了为什么Lisp是AI开发的顶级编程语言之一，感兴趣的朋友可以自行查看。
Prolog与Lisp在可用性方面旗鼓相当，据《Prolog Programming for Arficial Intelligence》一文介绍，Prolog一种逻辑编程语言，主要是对一些基本机制进行编程，对于AI编程十分有效，例如它提供模式匹配，自动回溯和基于树的数据结构化机制。结合这些机制可以为AI项目提供一个灵活的框架。
Prolog广泛应用于AI的 expert系统，也可用于医疗项目的工作。
C ++是世界上速度最快的编程语言，其在硬件层面上的交流能力使开发人员能够改进程序执行时间。 C ++对于时间很敏感，这对于AI项目是非常有用的，例如，搜索引擎可以广泛使用C ++。
在AI项目中，C++可用于统计，如神经网络。另外算法也可以在C ++被广泛地快速执行，游戏中的AI主要用C ++编码，以便更快的执行和响应时间。
写在最后：
其实为AI项目选择编程语言，其实很大程度上都取决于sub-field，对于编程语言的选择要从大局入手，不能只考虑部分功能。在这些编程语言中，Python因为适用于大多数AI sub-field，所以渐有成为AI编程语言之首的趋势，而Lisp和Prolog因其独特的功能，所以在部分AI项目中卓有成效，地位暂时难以撼动。而Java和C++的自身优势将在AI项目中继续保持。
关注电子发烧友微信
有趣有料的资讯及技术干货
下载发烧友APP
打造属于您的人脉电子圈
关注发烧友课堂
锁定最新课程活动及技术直播
21 世纪以来，随着新一代信息通信、新能源、新材料等技术加快与汽车产业融合，信息通信、互联网等新兴科...
根据Gartner公司的数据，在2017年全球出货量下降3%后，预计2018年全球PC，平板电脑和手...
长久以来避而不提的隐私和安全问题，也因此被摆上台面，现在正是算法学会法律和道德发展的关键时刻。掌握大...
无人驾驶这一概念成为当下风口，汽车厂商和科技企业纷纷布局，争夺控制权，但发展无人驾驶面临诸多挑战，涉...
4月11日下午，中国人工智能学会副理事长，IEEE Fellow、西安电子科技大学人工智能学院焦李成...
日前，紫光集团刚刚成立了“北京紫光智能汽车科技有限公司”，其中董事长正是紫光国芯新任总裁马道杰，人工...
对于那些希望在自动化交互中增加一些“个性化”的企业来说，聊天机器人是其中一种解决方法。据Gartne...
一直以来，谷歌押宝人工智能技术，并且依靠人工智能开发了众多芯片，其实对于谷歌来说人工智能的研发并没有...
微软宣布进行重大重组，Windows部门将被拆分，不再作为一个独立的事业部存在。Windows、Of...
不过，虽然吃瓜群众看得很开心，但是大部分多摩市市民还是比较清醒的，他们对这个突如其来的科幻未来感到担...
近年来，随着国内安防企业的快速发展，中国安防品牌不断向国际市场发起冲击，越来越多来自中国制造的安防品...
VR能让我们逃离现实世界，进入一个超现实世界。当我们戴上头显时，我们可以在外太空遨游、攀登一座山峰或...
增强现实（AR）与区块链一样，是2018年前五大最具突破性的技术之一。苹果，谷歌，微软，Facebo...
近年来，随着科学技术的不断发展、生活水平的不断提高，人们对身心健康越来越重视。在电子科技领域出现了很...
人工智能产业的快速发展，资本市场大量资金涌入，促使中国人工智能领域投融资热度快速升温。2012-20...
人工智能量化交易平台DetlaGrad宣布获得众海投资数百万人民币融资。据悉，本轮融资将主要用于团队...
此次大会上，联影智能发布了跨产品线、开放的联影人工智能平台“uAI”，它将人工智能技术贯穿应用于现有...
经典的深度学习网络AlexNet使用数据扩充（Data Augmentation）的方式扩大数据集，...
微软在过去的几年当中多次创造了接近人类水平的人工智能进展。以今天的ImageNet作为图像识别的标准...
据美国食品和药物管理局（FDA）官方网站11日消息称，该机构首次批准利用人工智能（AI）技术的 医疗...
就在刚刚，美国FDA批准了首款使用 人工智能 检测 糖尿病 患者 视网膜病变 的医疗设备IDx-DR...
在香港亚洲博览馆2号馆，镁客网和环球资源联合主办了一场以“A Big Dive Into AI ， ...
互联网的承诺素来是连接世界，但技术的力量正缓慢而坚定的将我们需要换掉睡衣的次数降为零。未来你将永远不...
“ 人工智能 ”成为教育界的热词。在教育部日前公布的首批“新工科”研究与实践项目名单中，人工智能类入...
人工智能 的发展又到达了一个高峰期，首席信息官、顾问和学者们纷纷表示，这项技术将使得从商业、IT运营...
诞生于2015年的 “互联网＋”已经渗透到各行各业，成为推动我国数字经济增长的迅猛力量。一副互联网＋...
人工智能时代，每个人都有一个梦想，那就是拥有一个属于自己的智能机器人。 无论是《超能陆战队》的暖男机...
十年时间内，机器人将接手 制造业 45%的工作，并削减9万亿美元的劳动力成本，使得当今社会的很大一部...
人工智能台湾 提起台湾AI产业，不管在亚洲还是世界似乎都找不到一席之地。我们对台湾AI产业的印象大概...
国内外的汽车公司、科技企业和科研机构纷纷把汽车自动驾驶技术作为未来重要的战略方向。华为在人工智能、车...
区块链被吹捧为一种新兴技术，它有可能对每个行业造成影响。区块链的分布式系统与当今使用的固有集中式操作...
腾讯公司获批承建医疗影像国家新一代人工智能开放创新平台。该平台依托腾讯开放平台的“AI加速器”和腾讯...
近日，全球估值最高的人工智能(AI)独角兽——旷视科技Face++宣布全资收购艾瑞思机器人(Ares...
表情包不仅仅是一种符号，更是一种文化；是促进社交乃至社会发展的动力之一，就像懒。
其中两种技术尤其代表了移动世界的未来：人工智能（AI）和5G通信。
尤其是国家政策层层推进，自上而下逐步落实，产业发展目标明确，整体上形成资金、政策、产业生态全方面支持...
本次大赛将以一个互联网应用（如CTR）为切入点，比赛协办方将提供资源（包括 AI 加速器）和数据集，...
人工智能不仅改变着企业的工作模式，而且能够增强员工的专业技能并辅助专业人士做出更精准的决策。IBM ...
为了解决影视制作行业IT基础设施高功耗问题，量子云未来在全球率先将基于Arm技术影视制作专用服务器引...
百度是“BAT”里唯一一家高调押注无人驾驶技术的公司，早在2013年百度无人驾驶项目就开始起步，直到...
日至12日，北京——近日，以“应用人工智能”为主题，英特尔与O’Reilly联合主...
人工智能，作为一项集合多学科的尖端科技，在原则上可以为任何领域解决难题：在零售业，人工智能会对顾客群...
中国电信在2016年提出转型3.0战略后，面向蜂窝通信技术的发展和生态合作体系的打造就走得非常坚决。...
近期笔者参加「2018中国人工智能安防峰会」收集到的一些行业人士的对于AI安防项目难题的探讨的观点，...
走过元年，人工智能彻彻底底地火了。而作为行业中较为成熟的领域，医疗人工智能被认为是AI最先落地的部分...
当我们把区块链和需要大量训练数据的机器学习模型结合在一起后，普通开发者能否打破科技巨头的垄断，创造出...
人工智能产业是智能产业发展的核心，是其他智能科技产品发展的基础，国内外的高科技公司以及风险投资机构纷...
不知不觉，4K 时代仿佛已经正式到来，越来越多的 4K 电视乃至 4K 手机出现在了人们的身边，但单...
人们对于新事物的快速理解一般基于此新事物与生活中某种事物或者规律的的相似性，但这个promise并没...
Awk、sed与grep，俗称Linux下的三剑客，它们之间有很多相似点，但是同样也各有各的特色，相...
事实上，中国VC及互联网领域过去15年，发展迅速且势不可挡。这是中国特有的现象吗？还是说这一模式可以...
从根本上来说，区块链和AI一样，背后都是一整套算法，所以在算法这个层面实际上AI和区块链统一起来了，...
在 vivo 的人工智能版图上，Jovi 主打智能场景应用的特点，可以协助用户更好的管理生活和工作事...
中国医疗人工智能企业Airdoc的代表在25分钟的演讲中详细介绍了人工智能技术在医疗领域的发展及应用...
AIE助力Jovi“千人千面”需求如果说Jovi AI是一个分析用户使用环境并且去贴合用户需求的大脑...
基于人工智能和用户数据，暴风AI电视7可进行声纹识别、多轮对话、识别人物关系，根据个人喜好推荐电影、...
人工智能在经历了迅速发展之后，AI 领域的人才需求也发生调整。近日，猎聘联合 GMIC 发布了《 2...
康复机器人与工业机器人有很多不同，如同治疗师的任务与工人的任务差别很大。关于康复机器人到底能不能实现...
这是从NASA的卡西尼号飞船上拍摄的土星卫星Titan的红外图像。测量结果表明，基于能量的可用性、星...
因为我深度参与了人工智能和区块链的领域，所以我就这些流行语的含义展开了大量的对话。让我说得清楚点。将...
结合了人工智能投屏和4K超高清体验的电视果4K，定价仅228元且含1个月爱奇艺黄金VIP会员，将于4...
汽车销量还会持续上升：尽管保有量下降，但汽车销量将明显增加。传统车辆将长时间滞留在保有量中。而相比之...
MEMS让传感器小型化、智能化，MEMS传感器将在智慧工业时代大有可为。MEMS温度、湿度传感器可用...
2018第一届智慧中国峰会将于5月16日在深圳圣廷苑酒店举行。此次峰会由华强智慧网与华强智能家居国际...
在 Flask 中获取请求参数需要使用request等几个全局对象，但是这几个全局对象比较特殊，它们...
AI翻译机市场想迎来爆发期，也需要经历价格战的洗礼，就看科大讯飞、网易有道、搜狗能不能拿出魄力，通过...
早在2017年5月份，吴文昊和他的团队就进入一种冲刺状态。在拿到vivo订单之后，他组织了公司三、四...
OpenAI联合创始人Ilya Sutskever说：“OpenAI在创立之初就已为建立一个强大的技...
这次腾讯翻译君将联合微信智聆（“腾讯同传”），为博鳌论坛的开幕式及部分核心论坛提供同声传译支持，包括...
通过对人脑处理信息时所采用方法的抽象总结和模拟，提出了神经网络的概念。未经处理的数据（图像，声音信息...
智能视觉在机器模仿人类感知与观察的过程中不断发展，除了识别它还要完成一系列关键任务。
芯片是人工智能的发动机。“无芯片,不AI。”清华大学微电子所所长魏少军说,芯片是实现人工智能的当然载...
他解释说，其目标在于培养内部软件工程师，使其在一至两年内熟习深度学习。而当被问及DeepScale的...
我们应该意识到，许多策略不只是针对句子分割，而是针对分割的边界确定之后应该做什么。例如，我们可能会采...
首先，我要声明一点，本文不是那些所谓的围绕搜索关键词、引用量、流行语的“Top 10编程语言排名”，...
MathWorks 今日宣布 ，MATLAB 现在可通过 GPU Coder 实现与 NVIDIA ...
如果说2016年3月份AlphaGo与李世石的那场人机大战只在科技界和围棋界产生较大影响的话，那么2...
区块链作为人工智能数据湖：许多人工智能专家都把区块链看作是未来数据湖的超分类存储基础，尽管在这方面我...
在日益丰富的消费诉求和不断更迭的技术手段的影响下，线上与线下消费场景的融合已成趋势，各大电商平台在发...
认知计算API：应用程序编程接口（API）使开发人员可以轻松地将技术或服务集成到正在构建的应用程序或...
2013年德国政府提出的“工业4.0”战略就涵盖了人工智能。“工业4.0”战略着重在制造业等领域利用...
人工智能助手将越来越多地被作为会话平台与决策过程支持助手的关键点。AI功能将在两个方面支持虚拟助理：...
过去一年，我们和其他20多位人工智能领域专家，通过思考当前的人工智能技术以及其可能如何被坏人利用，写...
图像的形态蕴含很大的信息量，这以后会成为一个较大的信息入口，目前文字仍然是最大的信息入口，但在可视化...
空间灵活性：想要多少就有多少。需要一个空间很小的电脑，可以满足；需要一个特别大的空间例如云盘，云盘给...
UCloud实验室研发总监叶理灯谈人工智能的三要素以及云计算如何推动人工智能落地。英特尔至强可扩展处...
随着ARKit和ARCore的普及，全球支持AR框架的手机也数以亿计。就像智能手机时代，移动化的AP...
近日,华西医院泌尿外科在手术机器人的辅助下,为一名45岁罕见的多发性内分泌腺瘤综合征患者进行了肿瘤切...
为了成功地将人工智能（AI）集成到企业现有的业务数据中，企业需要考虑基础设施、环境、员工培训等因素。...
现在正在举行的“博鳌亚洲论坛”上，智能翻译、智能金融风控、无人驾驶安全三大领域频现最新利器，让世界见...
供应链服务
版权所有 (C) 深圳华强聚丰电子科技有限公司
电信与信息服务业务经营许可证：粤B2-大风号出品
【人工智能】AI究竟能为你的生意做什么（以及不能做什么）
编译/洪杉 来源：红杉汇
[ 编者按 ] 本文适读对象：那些不打算投资AI基础技术开发、只关心AI能带来哪些商业智能应用的企业决策者。对这些企业来说，它们关心的是，既不能错过新技术浪潮，但也要等待技术成熟到“鲜嫩时刻”才行——不宜迟，但也不宜过早。人工智能不是“万能钥匙”。让AI真正能为企业赋能，需要提前评估和决策以下几点：何时是关键；核心商业目标是AI项目的出发点；评估应用AI的必要性：如果有其它解决方案呢；需要准备好大量的高质量数据；对预算、时间表、人才等进行合理把控……更重要的是，我们需要建立一套衡量AI驱动型企业的新指标，而不能再是传统的以资产为核心指标的体系。平台参与度、数据价值和客户参与度等因素变得更重要。每期监测和精编中文视野之外的全球高价值情报，为你提供先人一步洞察机会的新鲜资讯，为你提供升级思维方式的深度内容，是为 [ 红杉汇内参 ]。 内参AI究竟能为你的生意做什么（以及不能做什么）作者 / Isaac Sacolick编译 / 洪杉关于人工智能，每天都有各种吹得天花乱坠的夸张宣传。该如何判断像人工智能这样的新兴技术是否值得花费时间投入？这是每次某种新技术开始成为主流的时候，CTO们需要回答的问题：? 怎么和企业领导者解释，该项技术可以应用在企业的什么方面，这是一个竞争机会还是潜在威胁？? 对于好奇的员工，如何用易于理解的语言来简单描述这项技术可以做什么，如何区分哪些是宣传、哪些是当前现实、哪些属于未来潜力？? 对于有志于尝试的员工，我们要表示支持吗？应该让他们研究哪些问题，应该花时间学习这一新技术的哪些方面？? 对于某些开发者推销的应用方案，是现在就该采用，还是为时尚早？该如何评估呢？莫混淆夸大宣传和现实一旦你对历史和科技有所了解，这时候对新兴技术所处生命周期的阶段做出判断，会是很有帮助的做法。Gartner预测“通用型AI”（用以解决任何智能问题的人工智能技术）将于2020年之后出现。Venture Scanner披露的数据表明，大约2/3的AI创业公司的融资还处于初期融资阶段，这表明许多销售AI解决方案的公司都还处在产品开发及销售周期的早期阶段。麦肯锡称只有20%的有AI意识的公司实际采用了AI，而在AI上的投资超过50%是来自于大型技术公司和创业公司，而非刚好在使用这项技术的企业。这些数据足以让CTO或企业高管在投资AI前三思而行。尽管AI的确很有前景，但这些算法的大规模商业应用才刚起步。早期赢家都是大型科技公司和有能力、有资金、有耐心试验新技术的创业公司。大多数企业和中型公司并不具备这些奢侈的条件，它们的AI之旅才刚刚上路。AI是具备高度破坏性的技术，我们不该视若无睹。但我们应该审慎地前进，避免中了那些夸大宣传的催眠术。比如，当声音在某些应用上成为比屏幕、键盘更好的人机交互手段，或者当聊天机器人变得比人类客服更加智能、反应更加迅速时，许多企业就不得不采取这些技术来改善用户体验。同样的，当深度学习算法在识别诈骗、风险交易或安全威胁上日趋完善，企业也要做好采用这些新手段的准备。而随着我们利用数据库，最大限度地从口头语言、音频和视频等资料数据采集智能，这些技术手段的使用会使得很多企业获得重要竞争优势。何时是关键企业应该努力成为反应迅速的追随者，而不是早期采用者。这意味着，企业要在早期阶段关注AI技术，甚至可以尝试使用AI技术，但要等到技术足够成熟了，得到反复验证了，或者可以大规模产出的时候再来依靠AI技术。了解AI功能的时候，你需要寻找那些可以帮助评估AI应用及其成熟度的工具和应用案例。比如：? 研究公司Forrester定义了七项AI核心技术，并提出一种“搭积木”模型（building-block model），该模型以假设和研究为开始，以三个层次的实际应用为结束。? Workday发布了人工智能成熟度模型，这个模型将AI分成四个阶段，分别是自动化、通知、发现以及改造。只有当AI应用于解决人们正在解决的问题上时，评估AI取得成果才更容易。? 还有很多行业案例，如保险、医疗、银行、农业、法律、广告、建造、慈善、媒体等等。将企业的核心商业目标作为AI项目的出发点围绕AI和机器学习的种种夸大或虚假宣传使得一些CTO和企业决策者武断地采取了技术第一的策略。相反地，看看企业存在的问题以及有哪些能带来显著优势的机会，以此为出发点，才能让研发投入得到有目的地产出。而且，所发现的机会应有相当规模的数据集，或是能轻易获得并进行整合的数据集作为支撑。要以一个明确的商机为出发点，原因在于，你可能在此过程中发现其实有其它解决办法，无需用到最新的AI技术。如果需要用到一部分的AI技术，通过这一方法你还可以对解决方案进行分类，评估所需AI技术的整体成熟度。反过来，若是解决方案需要深度的评估和思考，那说明你即将驶往的是不成熟的AI领域。评估AI成熟度的一个方法是：浏览关于AI创业公司的各种供应商评估报告等资料，你会发现很多创业公司都把关注点放在独立而分散的几个问题的解决方案上，而不是想寻求一个普遍的认知上的解决办法。当某个开发者跟你说“尽管把数据交给我们的AI吧”，你千万别信，不要期待能得到专家级的智能化作为回报。这是不可能发生的。要真正起作用你的AI系统需要大量数据以下是成功运用AI的第二个前提：你需要大量的高质量数据来训练AI算法，评估输出结果。自动驾驶汽车得以成为可能的原因之一在于，在一个小时的驾驶中，激光定位器和其它感应器可以产生4000GB的数据。而如此大量的数据，仅仅是用于车要不要转弯、加速、减速或停下这样几个关键决策而已。许多成功的AI解决方案也属于此类，也就是将大量的数据转化为有限数量的决策。除了数据集，企业还需要具备数据整合及自动化能力，这样才可以让数据在任何AI处理引擎中自由转移。如果你的企业习惯靠人工运行脚本，手动地转移数据，我强烈建议你先投资自动化，再投资AI解决方案。尝试AI的几种选择一旦你发现了商机，也具备了大样本的干净数据集，你的AI之旅就准备好了。这两个步骤是为企业装备AI技术的前提条件。下一步则是考虑采用哪种AI解决方案以及如何执行。如果没有专业技术，聘请专家前要三思，毕竟科技巨头公司都在花重金争抢懂AI的稀有人才，所以这场游戏的入场费是相当昂贵的。还有一个选择是，可以使用那些解决方案中嵌入了AI技术的供应商。选好一个或多个方案后，你需要让董事会或其它利益相关者建立符合实际的期望，这点很重要。投资AI后，你需要全身心的投入于灵活的实验中，因为你很可能会时不时地步入死胡同，要进行许许多多实验才能使其最优化。所以，对预算、时间表、人才等，都要提前做好评估。 情报#你所管理的即是你所衡量的#成为算法企业？先找到衡量新指标IDC预计，到2020年，以平台参与度、数据价值和客户参与度为基础的具体衡量标准在企业估值中的占比将达到75%以上，使得原本以资产为核心指标体系的重要性下降。? 数字化转型的核心是从推动式经济（产品和生产推动企业发展）到拉动式经济的转换过程（客户参与推动关键过程并提升价值）。数字化转型是将自动化和数据驱动的学习引入核心决策，进而创建算法企业的过程。? 数字化改造：从资产驱动型企业到算法型企业。关键变化就是价值创造不再主要依托于资产，从资产使用效率的最大化过程转变成了互动和情境关联性的最大化过程。? 正确的回报函数：企业需要建立内外部两套度量指标。对内，建立新的KPIs以及如何管控新算法，用以衡量价值创造。? 对外，算法企业需要新的市场估值方法。就本质而言，算法企业的生产效率要远远高于由资产驱动的公司，这是激励企业进行数字化转型的动力，应该且将会反映到估值当中。#现在得1个，之后得2个，你会怎么选？#“棉花糖”法则：创业怎样避免急功近利来自20世纪60-70年代心理学家的一项实验，测量了“延迟满足”与否所带来的效应。对创业者来说，创业初期每天都有很多“棉花糖”时刻，选择马上获得一个“棉花糖”很容易，但却容易涸泽而渔、后续乏力。? 杰夫?贝佐斯是一个典型的双倍“棉花糖”选择者。他懂得将所有利润再投资到企业长远发展中会带来何种价值，从而推迟了当时获得盈利的满足感。? 丹尼尔?卡内曼在其著作《思考，快与慢》中谈到了体验自我和记忆自我。这两个自我与“棉花糖”时刻的两大选项密切相关。前者追求即时满足，后者注重长远思考。? 体验自我永远追求眼下的最佳选择。什么是最快或最“偷懒”的方式？我的身体目前告诉我该怎么做？体验自我永远会挑一个“棉花糖”选项。? 记忆自我关注的是长期利益，会制定新年计划和实现时间表。? 你必须有意识地努力分析你最糟糕和最常见的“棉花糖”时刻，从而学会控制自己，获得“延迟满足”。#人之异于机器者#激发“下一代”创新力的四种方法根据世界经济论坛对人力资源和其他高级管理人员所做的调查，当机器替代那些重复性劳动，未来52%的工作需要人类复杂的认知能力如创造力、逻辑推理、问题敏感性等，这就是“下一代”创新力。怎么做？? 知道应该制定哪些界限，打破哪些界限。尽可能多地了解一个项目的具体参数，同时在实施过程中留给员工创造性空间。? 营造创新氛围——不是指添置台球桌。创建沉浸式模拟体验和奖励冒险这两种方法都能够让领导者有效地激发团队的创造力。? 知道什么地方最适合即兴发挥。当一种机制失灵时，其他机制可能会因为一些出人意料的想法而成功。? 注重问题，而不是答案——让答案慢慢浮现。不要急于解决问题，而要关注未知的问题，领导者一心关注结果时，员工就会失去创造力。等待一段时间，“顿悟时刻”就会到来。落地机器学习前，我们应该思考清楚的几个问题来源：InfoQ
随着大数据技术的普及和发展，机器学习技术从搜索引擎开始，伴随着互联网、移动互联和共享经济的发展，日益成为改善用户体验、提高产品质量的核心组件。机器学习技术不仅给互联网带来了源源不断的收入（互联网广告），甚至也在改善每一位用户的日常电商购物、交通出行、旅游等方方面面的体验。那如何在已有的系统或者业务中落地机器学习相关实践呢？在开始使用机器学习之前，企业应该有哪些准备？带着这些问题，InfoQ 记者采访了 PayPal 大数据研发架构师张彭善。InfoQ：机器学习现在非常火热，很多企业也逐步开始考虑在业务中实践机器学习，你认为机器学习适合解决什么样的问题？张彭善：抛开 AI 不谈，机器学习在很多领域已经证明了其具有非常巨大的价值，尤其是在互联网领域，无论是杀手级应用互联网广告、还是电商内容平台推荐、风控欺诈识别以及共享出行，机器学习已经成为互联网变现提高盈利的重要手段。从这些主流应用中可以看出目前的机器学习主要是在解决复杂的预测优化问题，所以对于企业来讲，应当思考业务环节中任何涉及优化策略的业务都可以尝试实践机器学习，比如新产品目标用户推广、销售策略优化、客户流失预警等等。InfoQ：那在落地机器学习之前，企业应该有哪些准备？什么样的团队适合实践机器学习？张彭善：我和很多企业聊过，这个问题和第一个问题构成目前企业应用机器学习最大的痛点。对于大部分企业来讲不会像互联网企业一样有强大的数据科学和工程团队，但是我也注意到很多传统企业也是有数据分析和业务开发团队的，这是一个很好的基础，利用这些团队可以组建或培训适应机器学习应用的数据科学团队。然后可以着手先尝试以最小成本构建起端到端的机器学习管道，这包括基础平台的构建、收集数据的渠道、特征工程和模型开发的流程以及最终模型的部署上线，有了这样的管道和平台，就可以持续不断的优化性能进而达到预期的业务目标，然后可以慢慢尝试应用到其它业务场景。InfoQ：结合你的工作经验以及业界的一些实践，你认为企业落地机器学习的最佳路径是什么？张彭善：始终以业务优化作为指导，无论是任何一个步骤，都需要思考是否是有利于达到最终的优化目标。最佳路径是在构建整个流程管道和平台的同时，力争快速部署模型到系统中去。当模型部署上去之后，通过反馈结果再持续的迭代和改进机器学习平台和整个管道，此过程中没有必要去追求完美的模型和完美的系统，快速响应业务和持续演进能力是关键。InfoQ：在落地机器学习的过程中，企业应该注意避开哪些坑？张彭善：落地机器学习的过程，确实会有很多的坑，比如：学习目标应尽可能的简单以及可以量化，如果目标定义模棱两可，很难想像能做出很好性能的模型。应当首先从简单线性模型开始，不要上来就盲目迷信复杂的非线性和深度模型，事实上每一个模型都有其适用场景和优缺点，从线性模型出发首先可以提供一个好的基准，其次也能帮助发现数据中存在的问题，比如说剔除一些噪音数据，解释一些复杂的特征数据等等。确保训练数据、测试数据和线上数据的分布一致，这个说起来简单，实际上随着业务的复杂性增加，很多情况下训练数据和线上数据并不一致。有可能是业务调整导致线上预测只是之前的一小部分数据集，也有可能训练数据集只是取的业务其中有偏差的一部分数据。始终以机器学习平台管道构建为目标，不要局限于短期的性能改善，作为一个优化系统，更多的尝试意味着更大可能的性能提高，有了平台的基础，才能持续稳定的改善机器学习模型的性能，提高业务收益。InfoQ：在一个相对完整的机器学习平台中，你认为应该包含哪些技术栈？张彭善：机器学习平台是一个相对复杂的系统，主要包括离线、近线、在线三个方向的技术栈。离线系统的技术栈主要是构建在 Hadoop 系统，如日志数据存储（HDFS）、特征数据仓库（Hive，SparkSQL，…）、ETL 计算、MapReduce 特征工程、模型训练和评估，目前一些主流的基于 GPU 的深度学习也可以统一到 YARN、Kubernetes 等系统中进行统一的调度管理。近线主要涉及到一些流式的计算，如计算各个产品维度的滚动值、历史值等，涉及到的技术栈包括消息系统如 Kafka、流失计算如 Storm、Flink、Spark Streaming 等。在线主要涉及到在线特征管理和计算以及模型执行，在线系统对于系统的可用性有很高的要求，主要涉及的技术栈包括各种 NoSQL 数据库用来管理和快速存取特征，Rest 或微服务架构管理各种模型和所依赖的特征。除模型预测外，在线系统还可能包括策略系统：主要根据模型预测做相应的策略，此系统一般会和业务系统结合也是偏向服务化的技术栈。除此之外，还会有监控、日志收集、调度等系统辅助整个平台的运行，这些技术栈并不是特别固定，可以根据实际需要选取和研发。InfoQ：做应用的时候，大家都经常喜欢说架构。机器学习平台有架构之类的说法吗？张彭善：机器学习平台并没有脱离软件工程，架构在整个平台依然扮演着非常重要的作用。和传统应用一致，在线机器学习平台目前主要也是分层的微服务架构，通过微服务可以把数据存取及模型执行以及策略执行做很好的解耦，数据服务通过数据库存取一般是 IO 密集型的，模型和特征计算是 CPU 密集型，各服务和应用可以单独优化和部署，进而提高整个在线系统的性能和可用性。如果在线系统涉及到模型增量运算，对于在线系统还需要做好线上模型更新和隔离，这时分层和服务架构更加重要而且对层次划分也更细致。机器学习平台还涉及到很重要的离线数据平台，底层一般是构建在 Hadoop/YARN 之上的资源管理系统，数据和特征存储在上层的 HDFS/Hive 或其它 Hadoop 数据仓库，此外构建基于内存的分布式迭代计算框架，也可以使用 Spark 或者 TensorFlow 等主流框架，再上层构建完整的机器学习特征工程和模型训练的管道。InfoQ：你认为一个机器学习从业人员和传统的应用工程师（程序员）最大的区别是什么？他们的能力侧重点各是什么？张彭善：从机器学习的应用来看对于传统的应用工程师也提出了新的挑战，首先机器学习应用是一个融合了离线平台和在线平台的更加复杂的应用，机器学习从业者主要包括数据科学家和机器学习工程师，他们往往是围绕数据和优化目标来设计系统，而为了很好的达到优化目标和业务预期，实际机器学习从业者需要对业务、统计和机器学习以及工程领域都要有很好的理解，而他们的相对弱势是对于系统架构如可用性和服务化等的掌握。传统的应用工程师在这方面较有优势，工程能力是一个很好的基础，也可以帮助他们扩展到面向数据和业务的机器学习应用系统。17家企业大拿分析和预测：17年AI、大数据、数据科学发展和18趋势 AI中国2017余额不足，在年尾的时候除了盘算着领个年终奖，还是得展望下未来的大势，来年也好先定个500万的小目标嘛！首先是一些行业领航者们对于“2017年人工智能，大数据，数据科学，机器学习的主要发展情况以及2018年的主要趋势是什么？”的看法。涉及到的一些主要的话题是：人工智能是新的大数据、更多的数据转移到云、混合云、深度学习炒作、企业机器学习、AI / ML成为特定行业、自助商务智能、自动数据 科学/机器学、，Kubernetes、GDPR、Spark和流数据。以下是来自17家公司的分析和预测：Alation，Arcadia Data，AtScale，BlueData，Dataiku，DataStax，IBM Analytics，IBM Cloud，Infogix，Kaggle，KNIME，MathWorks，RapidMiner，Splunk，Splunk，StreamSets和Unravel。Alation联合创始人兼首席执行官Satyen Sangani：云扩张：随着CIO们试图将计算提供商的投资多样化，包括自身的内部部署能力，多样化将导致数据、服务和算法在多个云中分布。在单个云中查找信息或代码非常困难，由多个云建立的数据孤岛将会相距甚远，将管理成本推向需要了解基础设施的人。微服务将导致宏观混乱：随着容器和微服务的激增，软件创建、部署和基础架构的成本将进一步下降。哪些服务是存在的？他们是如何被使用的？我们如何知道服务是否被弃用？还有什么人在使用该服务？购买者偏向于购买“傻瓜”式数据接口以实现员工自动化：凭借“简单”的商务智能（BI）和漂亮的仪表盘，一直是商业智能领域的热门话题，企业正在处理这样一个事实，即使他们仍然不能信任他们的数据。规模庞大，数据种类繁多，复杂性和数据量大，传统的治理方法没有得到值得信赖的数据。因此，组织将从简单的仪表板转向教人们更多的数据知识，用最好的接口帮助解决这个挑战。Arcadia Data产品和解决方案高级总监Steve Wooledge，营销副总裁Dale Kim：在AI上：人工智能（AI）应该和Hadoop和其他大数据技术最近得到的处理方式一样。如果业界试图平衡围绕大数据导向产品的炒作，就必须确保不要过度宣传AI。这并不是说人工智能在当前和未来的大数据项目中没有地位，只是我们还没有到达那个时间点，我们可以把业务决策过程完全转化为机器。相反，到2018年，行业将开始通过机器辅助来实现BI的现代化，而不是AI驱动的任务。把它看成是动力转向与自动驾驶汽车。商业用户将更快地获得更好的见解，因为他们不需要被告知什么是正确的见解。可能目前对于人工智能的执念过深，实际情况是它还并没有准备好在为业务用户分析数据的情况下自行采取行动。在BI上：我们也会开始看到企业将BI带到数据会发生的转变。商业智能和大数据已经碰到了一堵砖墙。公司在他们的数据基础设施上投入了大量的资金，但是很多人仍然不知道为什么他们需要等待这么久的报告。部分问题是由于公司正在利用Hadoop等技术构建的数据库中捕获他们的数据，但是他们没有充分利用数据池的力量。明年和未来，我们将开始看到越来越多的公司将着重数据处理，这是Hadoop和数据池的核心原则，就其BI工作负载而言。这将加快洞察和改进投资回报率的公司在大数据基础设施投资上的投入。首席营销官Bruno Aziza和AtScale产品副总裁Josh Klahr：1.随着商业智能领域在2015年增长了60％，然后开始出现萎缩的情况，人工智能开始腾飞。《哈佛商业评论》（Harvard Business Review）最近的一篇文章指出，在拥有完善的分析基础之前，企业还没有对人工智能做好准备。人工智能是公司在大数据和分析方面投资的自然演进，那么在2018年，企业就需要确保他们具有强大的分析基础，以便为人工智能做好准备。2. 2018年，企业将把他们的大数据迁移到云端。根据AtScale的数据成熟度调查，72％的受访者表示他们计划在未来五年内在云中部署大数据。3. 2018年将是一个融合的世界。虽然企业会将一部分业务迁移到云，但他们不会完全取代他们的大数据环境。一些资产永远是前提。4. 2017年，企业的卓越中心是全方位服务，而到2018年，这些中心将成为实施中心。在过去，企业用户可以输入他们的要求并接收报告，但是现在的业务用户可以自助服务于可扩展但也受管理的数据。 COE可能会像沙拉，你可以帮助自己，你可以自己动手床架自己的沙拉。BlueData产品副总裁Anant Chintamaneni：Kubernetes赢得了容器战争，这显然是无状态应用程序（如Web服务器）和微服务的实际标准。 但是，大数据和有状态应用程序呢？ 在接下来的一年里，Kubernetes将解决长期运行、分布式、多业务的大数据应用平台所面临的挑战：包括持久性存储、安全性、性能以及其他一些业务需求。 大数据应用程序打破了容器编排的典型假设。 Kubernetes将在接下来的12-24个月内解决这些问题，因为他们将继续看到越来越多的采用。Dataiku首席执行官Florian Douetteau：在2017年数据治理取得了中心舞台，不幸的是，数据泄露正变得比我们大多数人所熟悉的更普遍。最值得注意的是，Equifax灾难。推动数据治理进一步上台的是欧盟通用数据保护条例（GDPR）的通过，企业在2017年全面铺开（并将在2018年继续面临）。2018年，我预测：1.数据团队经理将成为专业 - 随着数据团队开始变得更有组织、更强大，他们将开始分解的更为专业（如数据分析师，数据科学家，数据工程师，数据操作员等）。随着这种持续的专业化，项目经理或小组负责人（迄今为止在数据空间中并不像在整个企业中的其他小组那样突出）的作用更为重要。2.自动化ML将成为商品 - 自动化机器学习（ML），即自动搜索功能转换和模型空间的能力，将成为一种商品，并且已经被大多数可用的软件工具包所利用。随着这一转变，数据科学将不再是关于框架的专业知识，更多的是关于数据管理和成功阐述业务需求。3.销售机器人将开始工作得益于ML和全球机器对话库 - 机器人系统，尤其是在企业对客户交易中，（通常是）硬编码规则集。在2018年，这些系统将随着机器学习和机器学习框架的商品化而发展，这些机器学习框架将经过真正的人与人之间的对话训练。DataStax开发者关系副总裁Patrick McFadin你应该在2018年做什么 - 数据科学家的新年决心解决方案＃1 - 准备怀疑人工智能人工智能和机器学习等领域正在帮助提高应用程序内的性能，而深度学习的发展也越来越受到关注。然而，尽管这种炒作可能会打开未来的预算，但炒作可能会导致过度膨胀，那这就不是一个好事情了。为共同构建具体的模型和商业案例，避免炒作崩溃以及随之而来的怀疑做好准备，将是下一步需要努力的方向。解决方案＃2 - 熟悉流式传输和传统的批处理流程对于某些用例，传统的批次样式分析运行应该是最合适的。对于其他人来说，对交易正在进行的分析将是必需的。最简单的方法是，流式分析适用于满足特定条件的项目，并在事件发生时立即进行分析。对于那些想要大规模处理数据的公司来说，每秒钟可能会发生成百上千的事件，而这些事件在发生时都需要进行分析。批量处理根本跟不上这样的数量。除此之外，还有Forrester称之为translytics的新类别。这包括如何通过在创建时操作数据时进行分析并使用它。最终结果应该与流式分析相似，知道何时实施流处理，什么时候选择转换数据库以及何时使用批处理将是重要的。解决方案＃3 - 提前计划把工作交给信任的人你可以构建和运行自己的数据中心，或者使用云提供商，或两者兼而有之。对于企业来说，迁移到公有云确实可以降低资本成本，但是随着时间的推移，也会导致更高的运营成本。但是，最大的问题之一是如果你想要移动到另一个供应商，你可能会做什么。将数据从云服务提供商的离合器中取出需要成本吗？或者是否有一个简单的迁移路径可用？什么服务是唯一的一个提供商独家？要避免“锁定”是不可能的 - 你必须和某人合作。然而，你可以选择建立在哪个基础上，可以选择谁作为你的长期合作伙伴。IBM分析开发副总裁Dinesh Nirmal：机器学习将继续进军企业。在企业中，ML正在开展认真的工作，但并不像我们在新时代的ML应用程序中所看到的那么复杂。所以，虽然我们可能不会看到企业中的自动驾驶汽车，但ML在金融、制造、医疗保健和其他几个行业将会有更大的进步。我们也会看到ML越来越多地使数据中心和数据管理的日常工作自动化。明年会耗费大量的时间和资源的任务（如数据匹配和元数据创建），以更高的频率自动执行，这大大地释放了管理员的工作，使其能够更好地完成核心数据中心的工作。自然语言界面也将变得越来越普遍（不那么令人沮丧）。除了已经在市场上的语音激活搜索助手之外，明年我们将看到自然语言界面集成到更多的应用程序中。IBM研究员兼IBM Cloud副总裁Jason McGee：到达成熟的临界点：容器，Kubernetes和无服务器基于容器和无服务器计算的微服务架构已经彻底改变了应用的构建速度，以及如何连接到当今竞争最激烈的技术，如:AI，区块链和机器学习。到2018年，我们将看到这些技术的采用达到一个临界点。他们将从早期的采用转向成为各种行业和各种规模公司的复杂和生产就绪应用程序的事实标准。2017年出现的新工具（如Grafeas，Istio和Composer）推动了这一转变，使开发人员能够更安全地管理和协调，通过使用容器、无服务器和微服务构建的许多移动部件。这些工具为开发人员提供了更高的可视性，包括谁在使用数据，正在改变什么以及谁有权访问，从而提高安全性。结果将会是成熟应用程序的发展，可以跨越多个系统、团队和数据流进行跨越和操作。Infogix产品管理高级副总裁Emily Washington：在2017年，由于许多组织采用某种大数据环境，大数据成为常态。作为回应，可以发现采用自助式数据准备工具的情况有所增加，使得企业无论数据类型如何都可以准备数据。这些工具使他们能够利用他们的大数据更好地了解他们的客户并提供改进的客户体验。此外，企业现在正在将机器学习、人工智能和高级分析应用于客户行为和财务预测之外的用例。正因为如此，我们看到很多技术融入了机器学习的解决方案。我们预计这一趋势将持续到2018年，将继续看到数据质量、分析、治理、元数据管理等广泛的数据管理技术的融合。提取有意义的见解并提高运营效率，需要集成的工具使用户能够快速提取、准备、分析、操作和管理数据。我们也希望看到对数据治理的重视。随着监管压力的不断增加，数据不断积累，而且与客户进行准确而有效的沟通变得更加重要，团队可以更好地访问组织内的数据，并且利用高级分析，这使得数据治理变得至关重要。安东尼Goldbloom Kaggle：Kaggle的公共数据平台（www.kaggle.com/datasets）实际上是作为Kaggle活动的主要驱动力超越比赛。现在拥有6000多个关于机器学习者或数据科学家关心的大多数话题的数据集。历史上，UCI Irvine数据存储库一直是数据科学和ML社区的价值资源。 Kaggle的公共数据平台使得它增加了收入。KNIME的Michael Berthold：2017年，大数据在现实世界中的到来。一些早期的炒作已经冷却下来，我们看不到，但我们所看到的更严重，是把大数据用于实际使用后的情况。“深度学习”也一样，但到目前为止，在术语方面，2017年已经花费了大量的精力来创造一个混乱。现在许多年轻人将机器学习与深度学习混为一谈，陷入了90年代我们偶然发现的陷阱，认为神经网络将解决所有数据问题。 在2018年，这种趋势可能会持续一段时间。在所有这些喧嚣的背后，许多人仍然会遇到以下经典问题：分析结果的自动化部署以及对成千上万个预测模型的监视和管理。特别是对于后者，明年应该会有许多的进展。部分管理推送也是自动化参数扫描，来自H20的人已经在这方面做了一些有趣的工作，期待看到更多的指导版本，显示在结尾...数据分析师，尤其是欧洲的数据分析师还有数据隐私方面的问题，需要着重关注，并构建分析应用程序，以解释他们的决策，这对于深度学习人士来说是一个有趣的挑战。MathWorks数据分析组产品市场经理Seth DeLand：趋势：机器学习和深度学习随着机器学习技术的应用变得越来越简单，越来越多的产品和服务将采用机器学习模式。 通常用于控制和诊断的嵌入式系统将结合能够检测先前不可观察现象（例如，检测驾驶员的驾驶风格，或分类机器是否可能发生故障）的机器学习模型。 在2018年，我们将继续看到将机器学习模型整合到新的地方，特别是边缘节点和嵌入式处理器。虽然深度学习持续看好，但仍然需要进行大量的设计和调整来培养一个有用的深度网络。 诸如自动化超参数调整等技术似乎能很好地减少这项工作，这将加快深度学习的采用步伐。RapidMiner创始人兼总裁Ingo Mierswa：模型构建中对自动化的需求将会继续增加，但是它将超越盲目的数字处理。为了使自动化模型更具相关性，从业者将需要更好的方法来定义他们关于用例和数据的背景知识以获得有意义的模型。许多人警告纯人工智能的危险。人工智能将在下一年得到实际检查。实用的人工智能将提升并汇集所有必要的组件。机器学习仍然是核心，但知识管理、优化、计划和沟通将与ML整合，这将导致ML和AI更多地集成到业务流程和自动决策中，主要由物联网应用程序驱动。机器学习是通过语境来学习的，即算法将更多地利用它们对于以前情况和决策的记忆。这将解决一些基于流的机器学习的问题。当然，深度学习的炒作也将继续，特别是在无监督和生成式学习方面。除了图像，音频或视频分析之外，我们还需要寻找更多高价值的用例，否则炒作就会很快开始淡化。最后，处理个人数据（GDPR）的新国际标准将需要更多的模型可理解性和决策的解释。这将给自动化和深度学习带来新的挑战。基于模型的决策的可解释模型和路径将成为标准实践。Splice Machine首席执行官蒙特·兹维恩（Monte Zweben）：在线预测处理（Online Predictive Processing，OLPP）作为在一个平台上结合OLTP、OLAP、流媒体和机器学习的新方法而出现。人工智能是一种新的大数据：无论需要与否，企业都会展开竞争。在Hadoop时代，许多企业都淹没在它们的数据池中，由于管道铺设Hadoop计算引擎的复杂性，无法获得投资回报。SQL已经重生，许多企业意识到他们的基于Hadoop的数据池需要传统的数据库操作，比如将记录更新和索引应用到power应用程序。OLPP数据库的最新技术将按行进行索引，以便快速访问和更新，但存储在columnar编码中，用于节省大量的存储空间和扫描速度。Splunk工程师AI和机器学习副总裁Toufic Boubez：人工智能和机器学习经常被误解和误用。许多初创公司和大型科技公司都试图通过强迫与这些词组相关联来提高他们的吸引力。那么，这个嗡嗡声将不得不在2018年停止。这将是我们开始要求物质证明任何能够使用数据来预测任何与业务，IT或安全相关的结果的理由的一年。尽管2018年将不再是人工智能能力成熟以匹配人类技能和能力的一年，但使用机器学习的人工智能将越来越多地帮助企业对大量数据做出决定，否则这些数据将难以理解。AI和ML成为特定行业：使用机器学习的AI将越来越多地为金融服务组织提供识别欺诈、识别用户行为异常的能力，并建议客户采取精确步骤来缓解这些威胁。此外，计算机新闻的兴起将会对美国和全世界媒体产业的发展产生重大影响。在2018年，我们将看到越来越多的记者与数据科学家合作，就像他们在普利策提名的“亚特兰大宪法”中所做的一样。新闻工作者将转向人工智能、机器学习和自然语言处理（NLP）方面的专家，以发现与当地、全国和全球观众最为相关的具有新闻价值的故事、为以前可能从未发现的问题提供亮点。AI和ML在B2B中成为主流：增加对大量实时数据的访问带来了额外的负担，即在复杂的信息海中识别相关信号。无论是预测和防止关键的IT基础设施停机，还是识别单个数百万流量的不受欢迎的用户，这些都是最关键的要求的AI和机器学习功能。除去世俗的任务，赋权让机器自己学习，这将会带来更多的创新、生产力和工作场所的满意度。StreamSets产品营销主管Clarke Patterson：2017年，流处理市场在使用流处理框架方面存在混淆。 Apache Flink、Spark Streaming、Kafka Streams和其他替代品浮出水面，表面上所有这些都提供了类似的功能。使用这些框架的企业都在纠结究竟使用哪种框架，会不会有明确的领导者出现。最终的结果带来一个不必要的副作用：“解决方案蔓延”，它缺乏对摄入数据的监督和控制。在2018年，尽管可能会出现一个领头羊，但实际上可能不止一个。最初的混乱将转向标准化，大多数企业会选择自己喜欢的。虽然Spark Streaming似乎是主角，但预计由于前期投资的剩余部分和整个业务持续存在多个框架而导致蔓延。幸运的是，企业可以使用多个框架，而无需担心通过选择包含具有自动更新功能的活动数据映射的数据操作平台来失去对数据的控制权。这允许在数据流中对应用持续集成和持续部署方法进行流处理。Unravel首席执行官 Kunal Agarwal：第一个预测是关于企业将侧重于关键任务的大数据应用而不是技术。在过去，人们专注于学习各种大数据技术：Hadoop、Spark、Kafka、Cassandra等。用户需要花时间来理解、区分和最终部署。有很多辩论和大量的炒作。现在企业已经彻底摆脱了这些噪音，并且把所有这些都弄清楚了，他们关心的是实际上如何使用他们的数据。以推荐引擎为例，这是大多数网络公司的关键应用程序。考虑一下Netflix：他们的推荐引擎不仅仅是一个很好的可以增强用户体验的插件，它是体验和Netflix的底线。Netflix 企业并不关心正在使用的技术。他们使用哪种分布或数据库或分析并不重要，重要的是结果。企业已经意识到这一点，期望来年将会有更多采用以应用程序为中心的大数据方法。
本文来自大风号，仅代表大风号自媒体观点。
用微信扫描二维码
分享至好友
用微信扫描二维码
分享至朋友圈
凤凰争鸣微信号
来点暖心的！扫这里
互联网环球视野