KDnuggets今年采訪了11位人工智能領域的專家，詢問了他們有關例如“2018年數據科學和分析領域的主要發展是什么?你預計2019年的主要趨勢是什么?”等問題，來回顧和展望人工智能(AI)及機器學習(ML)的發展。這些專家挑選出的關鍵主題包括深度學習的進步、遷移學習、機器學習的局限性、自然語言處理領域的變化等等。以下為這11位專家的見解：
Anima Anandkuma (@AnimaAnandkumar)是英偉達(NVIDIA)機器學習研究主管，加州理工學院教授。
2018年機器學習和人工智能的主要進展是什么?
“已經取得深度學習的初步豐碩成果”
焦點開始從標準的監督學習轉向更具挑戰性的機器學習問題，如半監督學習、領域適應、主動學習和生成模型。GAN(生成對抗網絡)在嘗試像照片寫實主義(bigGANs)和視頻到視頻合成這樣難度較大的任務中仍然很受研究人員歡迎。開發了替代生成模型(如神經繪制模型)，將生成和預測結合在一個網絡中，來促進半監督學習。研究人員將深度學習的應用擴展到地震預測、材料科學、蛋白質工程、高能物理和控制系統等許多科學領域。在這些案例中，領域知識和約束與學習相結合。例如，為了提高無人機的自主著陸能力，通過學習地面效應模型來校正基地控制器，保證學習的穩定性，這在控制系統中是非常重要的。
預測：
“將模擬和現實連接起來的人工智能，將變得更安全，更具有實體意識”
我們將看到新的領域適應技術的發展，無縫地將知識從模擬轉移到現實世界。使用模擬將幫助我們克服數據的稀缺，并在新的領域和問題中加速學習。將人工智能從模擬應用到真實數據(Sim2real)將對機器人技術、自動駕駛、醫學成像、地震預測等領域產生重大影響。在自動駕駛等安全關鍵應用中，模擬是考慮所有可能場景的一種很好的方式。
Andriy Burkov (@burkov)是Gartner的機器學習團隊負責人。
以下是我作為一個實踐者的個人看法，而非Gartner基于研究的官方聲明。
2018年機器學習和人工智能的主要發展是什么?
TensorFlow在學術界輸給了PyTorch。有時候，谷歌的巨大影響力和影響范圍可能會將市場引向一個并不理想的方向，MapReduce(一種編程模型)就是這樣一個例子。
深度偽造(Deepfakes，它制造出的聲音與真人一模一樣)粉碎了最可靠的信息來源，打破了傳統觀念：眼見未必為實。自今年4月份以來，涉及美國前總統巴拉克·奧巴馬(BarackObama)的一段一分鐘長視頻已被觀看過480萬次。在這個視頻里，你可以看到奧巴馬在發表演講，演講內容卻是其正在用語言攻擊他的繼任者唐納德·特朗普。但是只是一段經過加工的視頻。令人詫異之處在于，當奧巴馬在發表上述演講時，他的嘴巴會隨之而動，表情、口型、聲音和奧巴馬一模一樣，讓人完全看不出任何破綻，就像是奧巴馬真人的發表演講一樣
強化學習以深度學習的形式卷土重來，實在是出人意料!
谷歌機器人能夠代你打電話訂餐，并且偽裝地與真人毫無二致，這是一個里程碑。然而，它提出了許多關于倫理和人工智能的問題。
個人助理和聊天機器人很久就會被發展到極致。它們表現的比以往任何時候都好，但與去年公眾對它們的期望還是存在差距。
你預計2019年的主要趨勢是什么?
1. 我預計公眾對機器學習的興趣會增加，至少一定會高于今年。但我預計機器學習可能會經歷失敗(除了出現一些非常具體的和令人驚艷的用例，如圖像識別、機器翻譯、文本分類)。
2. 營銷自動化:隨著成熟的生成式對抗網絡和變分自編碼器(variational autoencoder)的出現，人們可以生成數千張同一個人或同一名付費用戶的照片，而這些照片之間的面部表情或情緒差異很小。根據消費者對這些圖片的反應，我們可以產生最佳的廣告活動。
3. 移動設備上的實時語音生成與真人無異。
4. 自動駕駛出租車仍處于測試/PoC(驗證性測試)階段。
Pedro Domingos (@pmddomingos)是華盛頓大學計算機科學與工程系教授。
經過多年的大肆宣傳后，2018年將人工智能蒙上了一層陰影。聽聽媒體甚至一些研究人員的說法，你可能會認為，劍橋分析公司(Cambridge Analytica)把幫助特朗普贏得了2016年的大選;機器學習算法帶有偏見和歧視;機器人將取代我們的工作，然后將掌控我們的生活。這也不只是說說而已：歐洲和加州已經通過了嚴厲的隱私法，聯合國正在討論禁止智能武器，等等。公眾對人工智能的看法越來越黑暗，這既危險又不公平。希望2019年是理智回歸的一年。
Ajit Jaokar (@AjitJaokar)是牛津大學物聯網數據科學課程的首席數據科學家和創始人。
2018年，出現了一大波新趨勢。自動化機器學習是其中之一，強化學習是另一個。這兩種新趨勢將在2019年顯著擴大。作為我在牛津大學(Oxford University)教學的一部分(物聯網數據科學課程)，我看到物聯網正日益融入自動駕駛汽車、機器人和智能城市等大型生態系統。通過與Dobot的合作，我看到了一種新型機器人，即協作機器人(cobots)，這是2019年的一個關鍵趨勢。不像以前的流水線機器人，新的機器人具有自主能力，也能夠理解情感。最后，一個有爭議的觀點是:2019年，我們所知的數據科學家的角色將從研究轉向產品開發。我認為人工智能與下一代數據產品的創造有著更緊密的聯系。數據科學家的角色將相應地改變。
Nikita Johnson (@nikitaljohnson)是RE.WORK的創始人。
我們在2018年看到的一項發展是，越來越多的開源工具正在降低進入門檻，讓所有人都能更容易地開發人工智能，以確保組織間的協作得到加強。這些社區對于確保人工智能在社會和商業領域的傳播至關重要。
同樣，在2019年，我們將看到專注于“AI for Good”(AI造福人類)的公司數量增加，這是基于谷歌最近宣布的“AI for Social Good”項目，以及微軟的“AI for Good”計劃。隨著社會要求企業達到更高的社會目標，這種向人工智能的積極影響的轉變正在獲得越來越多的關注。
Zachary Chase Lipton (@zacharylipton)是卡內基梅隆大學機器學習的助理教授，也是“Approximately Correc”博客的創始人。
深度學習占據了關于機器學習和人工智能的大部分公共話語。也許我的這番話會惹惱一些人，但這里有一個關于2018年的合理解讀:最大的進展是沒有任何進展!當然，這是一個過于簡單的理解。在很大程度上，最大的發展是“調整”的性質，而非突破性發展。今年最大的新聞是ELMO和BERT的情景化嵌入。從經驗來看，這些都是非常了不起的進步。但至少從2015-16年以來，我們一直在對語言模型進行預先培訓，并對下游分類任務進行微調。因此，或許更憤世嫉俗的說法是，今年并非新的“大創意”占主導地位的一年。
我們正急匆匆地進入所有這些聲稱可以“解決”問題的實踐領域，但到目前為止，工具箱中唯一可靠的工具是監督學習，而且我們僅憑模式匹配所能做的事情也有一些限制。監督模型發現關聯，但它們不提供證據。他們不知道哪些信息是安全的，哪些信息是不可靠的。這些模型沒有告訴我們干預的效果。當我們在人機交互系統中部署基于監督學習的自動化系統時，我們沒有預料到它們會扭曲激勵機制，從而改變環境，破壞它們所依賴的模式。明年我們會看到更多機器學習項目的案例被廢棄，或者正是因為這些限制而陷入困境，我們會發現研究人員將更多的關注與彌合代表性學習和因果推理之間差距相關的問題。
Matthew Mayo (@mattmayo13)是KDnuggets的編輯。
在我看來，2018年的機器學習似乎是精益求精的一年。例如，由于文本分類的通用語言模型微調(ULMFiT)和Bidirectional Encoder Representations from Transformers (BERT)等技術，遷移學習獲得了更廣泛的應用和興趣，特別是在自然語言處理方面。這些并不是去年NLP的唯一進步;另外值得注意的是Embeddings from Language Models，它對模型用于的每個任務都做了相當大的改進。例如，今年的其他突破似乎集中在對現有技術的改進上，如BigGANs。此外，關于機器學習中包含和多樣性的非技術討論也成為主流。
我認為到2019年，隨著強化學習和半監督學習的潛在應用得到越來越多的認識，研究的重點將從監督學習轉向強化學習和半監督學習等領域。例如，我們現在正處于圖像識別和生成已經得到“解決”的階段，在此過程中所學到的知識可以幫助研究人員追求更復雜的機器學習應用。
Brandon Rohrer (@_brohrer_)是Facebook的一名數據科學家。
2018年的一個重要趨勢是數據科學教育機會的增加和成熟。在線課程是原始的數據科學教育場所。它們在各個層次繼續占據主導地位，每年都有學習的人數及主題內容都會增加。
在學術界，新的數據科學碩士項目正以每年大約12個的速度騰飛。高等院校正在響應公司和學生的請求，為數據相關領域提供專門的項目。(今年，18位行業合著者和我，以及11位學術貢獻者，創建了一個虛擬行業咨詢委員會，幫助支持這種爆炸式增長。)
2019年及以后，學術數據科學項目將成為一種更常見的方式，收集獲得第一個數據科學職位所需的基本技能。這是一件好事。接受認證的機構將填補長期以來的空白。到目前為止，數據科學資格在很大程度上是通過以前的工作經驗證明的。這就進入了一條死胡同。新數據科學家不能展示他們的資質，因為他們從來沒有從事過數據科學工作，他們不能獲得數據科學工作，因為他們不能展示他們的資質。來自教育機構的證書是打破這種循環的一種方法。
我預計，數據科學大學學位與在線培訓課程之間的界線將日益模糊。在我看來，這是“數據科學民主化”最真實的形式。
Elena Sharova是ITV的高級數據科學家。
2018年機器學習和人工智能的主要發展是什么?
我認為，在機器學習和人工智能領域中，2018年將通過以下三個事件被銘記。
首先，歐盟全球數據保護條例(GDPR)的啟動旨在提高個人數據使用的公平性和透明度。該條例使個人有權控制其個人資料，以及查閱個人資料的使用方法，但亦對法律的解釋造成混淆。到目前為止的最終結果是，許多公司數據處理做了一些表面的更改，忽略了重新設計用于數據存儲和處理的基礎設施的基本需求。
其次，劍橋分析丑聞給整個數據科學界蒙上了一層陰影。如果說之前的辯論主要是關于確保AI和ML產品的公平性，那么這次丑聞引發了更深層次的道德問題。對Facebook參與的最新調查意味著，這種影響是長久的。隨著數據科學領域的成熟，這樣的案例將在許多行業發生，而不僅僅是政治領域。一些案件將更加悲慘，比如亞利桑那州的優步(Uber)自動駕駛汽車致死案，它們將引發強烈的公眾反應。技術就是力量，伴隨著力量而來的是責任。正如諾姆•喬姆斯基(Noam Chomsky)所言:“只有在民間故事、兒童故事和學術期刊上，權力才能被明智而恰當地用來消滅邪惡。”現實世界教給我們的是完全不同的教訓。
最后，從更積極的方面來說，亞馬遜自研服務器處理器芯片的最新開發意味著，我們可能離云計算的普遍訪問不再是一個成本問題的日子越來越近。
你預計2019年的主要趨勢是什么?
數據科學家的角色和職責不僅僅是建立能夠實現準確預測的模型。對于ML、AI和數據科學從業者來說，2019年的主要趨勢將是遵循既定軟件開發實踐的日益增長的責任，尤其是在測試和維護方面。數據科學的最終產品必須與公司技術棧的其余部分共存。有效運行和維護專有軟件的要求將適用于我們構建的模型和解決方案。這意味著最好的軟件開發實踐將支持我們需要遵循的機器學習規則。
Rachel Thomas(@math_rachel)是fast.ai的創始人，也是USF的助理教授。
2018年人工智能的兩個主要發展方向是:
1. 遷移學習在NLP中的成功應用
2. 反烏托邦式濫用人工智能日益受到關注
遷移學習是將一個預先訓練好的模型應用到一個新的數據集上的實踐。遷移學習是計算機視覺突飛猛進的關鍵因素，2018年，遷移學習成功地應用到NLP工作中，包括來自fast.ai的ULMFiT和Sebastian Ruder，Allen Institute的ELMo，OpenAI轉換器和Google的Bert。正如《紐約時報》一篇文章所描述的那樣，這些進步既令人興奮，也令人擔憂。NLP是神經語言程序學(Neuro-Linguistic Programming)的英文縮寫。
Facebook在緬甸種族滅絕事件中的決定性作用、YouTube過多地推薦陰謀論(其中許多都宣揚白人至上)、政府和執法機構使用人工智能進行監控等持續不斷的問題，終于在2018年開始獲得主流媒體更多的關注。雖然這些對人工智能的誤用令人膽戰心驚，但有越來越多的人開始意識到它們，并越來越多地予以反擊，這是件好事。
我預計這些趨勢將在2019年繼續下去，伴隨著NLP的快速發展，以及技術如何被用于監視、煽動暴力和危險政治運動操縱方面的更多反烏托邦式發展。
Daniel Tunkelang (@dtunkelang)是一個專注于搜索、發現和ML/AI的獨立顧問。
2018年，自然語言處理和理解的嵌入詞的復雜性有了兩大進步。
第一次是在三月。艾倫人工智能研究所(Allen Institute for AI)和華盛頓大學的研究人員發表了《Deep context- alized word representation》一書，并介紹了ELMo(Embeddings from Language Models)，這是一種開源的深度上下文單詞嵌入，改進了word2vec或GloVe等上下文無關的嵌入。作者通過簡單地替換ELMo預訓練模型中的向量，證明了對現有NLP系統的改進。
第二次是在11月。谷歌開源的BERT(Bidirectional Encoder Representations from Transformers)，一個雙向的，無監督的語言表示，預先在維基百科上訓練。他們在各種各樣的NLP基準測試中取得了顯著的改進，甚至相對于ELMo而言也是如此。
從智能揚聲器的迅速普及(到2018年底將達到1億人左右)到移動電話上數字助理的普及，自然語言理解的進步正迅速從實驗室轉移到實踐領域。對于NLP的研究和實踐來說，這是一個激動人心的時代。
但我們還有很長的路要走。
同樣是在今年，艾倫研究所的一項實驗表明，最先進的NLP仍然遠遠落后于人類的表現。
但希望我們能在2019年看到更多的NLP突破。計算機科學領域許多最優秀的人才都在從事這方面的工作，業界也渴望應用他們的成果。
【來源：前瞻網】
