应用人工智能和人工智能的发展阶段

型科技公司通常拥有许多顶尖的机器学习/深度学习科学家和工程师，多年来一直在研究新的算法并将其应用到他们的产品中。由于麦肯锡报告中强调的发展，更多的组织可以在他们的应用程序中采用机器学习模型，并为他们的客户和用户带来好处。

应用机器学习的挑战

近十年来，人们对人工智能的主流兴趣有所复苏和增长，这主要归功于深度神经网络执行以前被认为超出计算机能力的任务。在同一时期，机器学习研究社区在人工智能的一些挑战性领域取得了令人印象深刻的进展，包括计算机视觉和自然语言处理。

机器学习的科学突破之所以成为可能，很大程度上是因为收集、存储和访问不同领域数据的能力不断增强。与此同时，处理器和云计算的进步使得以以前认为不可能的速度和规模训练和运行神经网络成为可能。

在深度学习取得一些里程碑式的成就之后，新闻周期宣传(往往夸大)了当代人工智能的能力。今天，许多公司试图将自己表现为“AI优先，“或者推销他们的产品使用深度学习领域最新最棒的技术。

然而，将从研究实验室带到实际产品中存在几个挑战，这就是为什么大多数机器学习策略都失败了。与传统软件相比，创建和维护使用机器学习的产品需要不同的基础设施、工具和技能。组织需要数据湖来收集和存储数据，需要数据工程师来建立、维护和配置数据基础设施，使训练和更新模型成为可能。他们需要数据科学家和工程师来准备为他们的应用提供动力的数据和模型。他们需要分布式计算专家，使模型以省时、经济的方式大规模运行。他们需要能够使ML系统适应他们的商业模式的产品经理和能够将ML管道集成到他们的产品中的软件工程师。

随之而来的数据、硬件和人才成本企业人工智能对于较小的组织来说，在策略上进行长期投资通常过于困难。

应用人工智能的发展

该报告根据五个可量化的指标对技术趋势进行了排名:搜索引擎查询、新闻出版物、专利、研究出版物和投资。值得注意的是，这种定量测量并不总是描绘出趋势相关性的最准确的画面。但是随着时间的推移跟踪它们可以很好地估计一项技术是如何经历宣传、采用和生产力循环.

通过调查和采访来自20个不同行业的专家进一步证实了它的发现，这更好地描述了机遇和挑战。

并没有完全解释资本市场目前正在经历的低迷。根据研究结果，除了“搜索引擎查询”类别(这是一个灰色区域，因为人工智能术语和趋势在不断发展)，应用人工智能在所有可量化的指标上都有所增长。(衡量投资也非常主观，取决于你如何定义“应用人工智能”——例如，如果一家获得巨额融资的公司将机器学习作为其产品的一小部分，这是否会算作对应用人工智能的投资?)

就行业相关性而言，报告中提到的一些应用程序包括推荐引擎、检测和预防和时间序列分析，如管理价格波动、需求预测等用例。有趣的是，这些是算法已经发展多年的机器学习领域。虽然在用例中只提到过一次计算机视觉，但是一些应用可能会从中受益。

该报告还提到了机器学习的一些更高级的领域，如生成式深度学习模型(例如，自动驾驶汽车的模拟引擎，生成化学化合物)，变压器型号(例如，药物发现)，图形神经网络和机器人技术。

这进一步推动了一点，即采用应用人工智能的主要障碍不是糟糕的机器学习算法，而是缺乏工具和基础设施来有效使用众所周知和经过测试的算法。这些制约因素限制了应用人工智能在没有大量资源和渠道的公司中的使用稀缺的机器学习人才.

近年来，在这些方面取得了巨大的进展。与此同时，服务基础的数据存储技术已经发展得更加灵活、可互操作和可伸缩。与此同时，一些企业人工智能公司已经开始开发和提供特定行业的解决方案。

所有这些发展都减少了在其商业模式中采用机器学习的财务和技术障碍。在许多情况下，公司可以将服务集成到他们的应用程序中，而无需深入了解后台运行的算法。

根据麦对行业专家的调查，56%的受访者表示他们的组织已经采用了人工智能，高于调查的50%。表明，采用人工智能可以带来经济效益:27%的受访者将他们公司5%或更多的归功于人工智能。

研究进展

报告中包含的第二个人工智能相关技术趋势是“机器学习的产业化”。这是一个模糊的术语，与应用人工智能类别有很多重叠，因此该报告将其定义为“一个可互操作的技术工具栈，用于自动并扩大其使用，以便组织可以实现其全部潜力。”

这一领域的进步所基于的技术与导致应用人工智能发展的技术(更好的数据存储平台、硬件栈、开发工具和平台等)然而，近年来取得令人印象深刻发展的一个特定领域是机器学习操，这是一套简化模型的培训、部署和维护的工具和实践。

平台提供了管理、处理和标记数据的工具;训练和比较不同的机器学习模型;数据集和模型的版本控制;部署模型并监控其性能;并且随着模型的性能衰退、环境变化以及新数据变得可用而更新模型。越来越多和越来越成熟的平台将以前以特别方式拼命执行的几个不同任务结合在一起。

根据该报告，机器学习的产业化“可以将应用的生产时间框架缩短90%(从概念证明到产品)，并将开发资源减少40%。”

企业人工智能仍然面临挑战

尽管应用人工智能取得了进步，但该领域仍有一些差距需要弥合。报告指出，人才和资金等资源的可用性仍然是企业人工智能进一步发展的两个障碍。目前，资本市场处于低迷状态，包括人工智能在内的所有行业都面临着为初创公司和公司融资的问题。

然而，尽管人工智能资本的蛋糕越来越小，但资金并没有完全停止。根据一份告，已经实现产品/市场匹配并准备积极增长的公司仍在设法获得巨额融资。这表明，没有利润来启动新的战略的公司将很难获得外部资金。但是已经垄断了市场份额的应用平台将继续吸引投资者的兴趣。

报告提到的另一个重要挑战是数据风险和漏洞。对于应用机器学习来说，这正成为一个越来越重要的问题。就像它的开发生命周期一样机器学习的安全威胁前景是不同的不同于传统软件。大多数软件开发平台中使用的安全工具并不是为了检测而设计的对立的例子, 数据中毒, 成员推理攻击、以及针对模型的其他类型的威胁。

幸运的是，安全和机器学习社区正在一起开发创建安全管道的工具和实践。随着应用人工智能的不断发展，我们可以预计其他行业将加快采用，这反过来将进一步加快该领域的创新步伐。