在2018年期間，我們目睹了基於機器學習和人工智慧的平臺，工具和應用程式的急劇增長。 這些技術不僅影響了軟體和網際網路行業，還影響了其他垂直行業，如醫療保健，法律，製造業，汽車和農業。

我們將繼續看到2019年及以後的ML和AI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慧，這將有助於生態系統將人工智慧拉近消費者。

以下是2019年需要注意的5種AI趨勢：

1）啟用AI晶片的興起

與其他軟體不同，AI嚴重依賴專用處理器來補充CPU。 即使是最快和最先進的CPU也可能無法提高AI模型的培訓速度。 在推理時，該模型需要額外的硬體來執行復雜的數學計算，以加速物件檢測和麵部識別等任務。

2019年，英特爾，NVIDIA，AMD，ARM和高通等晶片製造商將推出專用晶片，加速AI應用的執行。 這些晶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晶片為終端使用者提供智慧。

2019年也將是亞馬遜，微軟，谷歌和Facebook等超大規模基礎設施公司將增加基於現場可程式設計門陣列（FPGA）和專用積體電路（ASIC）的定製晶片投資的一年。 這些晶片將針對基於AI和高效能運算（HPC）執行現代工作負載進行大量優化。 其中一些晶片還將協助下一代資料庫加速查詢處理和預測分析。

2）邊緣的物聯網和人工智慧的融合

在2019年，AI在邊緣計算層遇到物聯網。 在公共雲中訓練的大多數模型將部署在邊緣。

工業物聯網是人工智慧的最佳用例，可以執行異常檢測，根本原因分析和裝置的預測性維護。

基於深度神經網路的高階ML模型將進行優化以在邊緣執行。 他們將能夠處理視訊幀，語音合成，時間序列資料和由攝像機，麥克風和其他感測器等裝置生成的非結構化資料。

物聯網將成為企業中人工智慧的最大驅動力。 Edge器件將配備基於FPGA和ASIC的特殊AI晶片。

2016年，谷歌推出了Tensor Processing Units，或稱TPU，它們更為人所知的一點是 - 專為Google的TensorFlow框架設計的晶片。 今年，這家技術巨頭現在推出了Edge TPU，這是一種小型人工智慧加速器，可在物聯網（IoT）裝置中實現機器學習工作。

Edge TPU旨在執行機器學習演算法訓練的任務。 例如，它將能夠識別圖片中的物件。 演算法訓練的這部分“預成形任務”被稱為“推理”。 雖然Edge TPU旨在執行推理，但Goggle基於伺服器的TPU負責訓練演算法。

3）神經網路之間的互操作性成為關鍵

開發神經網路模型的關鍵挑戰之一在於選擇正確的框架。 資料科學家和開發人員必須從眾多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。

神經網路工具包之間缺乏互操作性阻礙了AI的採用。 為了應對這一挑戰，AWS，Facebook和Microsoft合作構建了開放式神經網路交換（ONNX），這使得在多個框架中重用經過訓練的神經網路模型成為可能。

在2019年，ONNX將成為該行業的重要技術。 從研究人員到邊緣裝置製造商，生態系統的所有關鍵參與者都將依賴ONNX作為推理的標準執行時。

4）自動化機器學習將獲得突出地位

從根本上改變基於ML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發展可以解決複雜場景的機器學習模型，而無需經過ML模型的典型培訓過程。

在處理AutoML平臺時，業務分析師會專注於業務問題，而不是迷失在流程和工作流程中。

AutoML完全適用於認知API和自定義ML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，但自定義資料與可移植性相結合。

5）AI將通過AIOps自動化DevOps

現代應用程式和基礎架構正在生成為索引，搜尋和分析而捕獲的日誌資料。 從硬體，作業系統，伺服器軟體和應用軟體獲得的海量資料集可以進行聚合和關聯，以找到見解和模式。 當機器學習模型應用於這些資料集時，IT操作從被動轉變為預測。

當AI的強大功能應用於運營時，它將重新定義基礎架構的管理方式。 ML和AI在IT運營和DevOps中的應用將為組織提供智慧。 它將幫助運營團隊進行精確和準確的根本原因分析。

AIOps將在2019年成為主流。公共雲供應商和企業將從AI和DevOps的融合中受益。

機器學習和人工智慧將成為2019年的關鍵技術趨勢。從業務應用到IT支援，AI將對行業產生重大影響。