考慮到技術變革的速度，我認為讓專業IT人士分享他們對2018年最大驚喜及2019年預測的看法會很有趣。以下是他們對人工智能(AI)，機器學習( ML)和其他數據科學迭代的看法：

CLARA分析公司首席執行官兼創始人：Chiara Lakshmikanthan

2018年的驚喜：我對AI已經應用于InsureTech行業的快速步伐感到驚訝。但更重要的是，商業保險公司在其工作流程的某些部分(如承保，理賠業務和客戶服務)開始使用AI以保持競爭優勢。

2019年的預測：在B2B 的AI領域，人們越來越關注硬實力的儲蓄和價值。AI的理論價值主張被廣泛接受，但是，大多數公司在未來幾年對AI技術提供商的期望也將更高。

Sinequa產品營銷總監Scott Parker：

雖然圍繞ML和AI進行了大量宣傳，但具有變革性的AI還有很多仍在實驗室中進行測試。

對于2019年，ML和AI最終會以某種方式從實驗室和現有應用程序中找到出路。在大多數情況下，人們甚至不知道它在那里，因為它將以無縫的方式嵌入。

數據科學家Minkyung Kang：

驚喜：端到端機器學習服務使ML工作流程變得更加簡單。數據科學家和開發人員可以在一個地方構建，訓練和管理ML模型，并將模型大規模轉移到生產環境，而無需過多擔心管道和架構。

預測：在ML工作流程中連接和集成不同的步驟和流程將得到進一步改進和簡化，并允許許多初創公司和企業使用更少資源的ML應用程序快速移動。這將進一步擴展到ML的整個生命周期的管理，包括數據收集和管理。

Anaconda的聯合創始人兼首席技術官：Peter Wang

驚喜:Github和Red Hat的收購，Cloudera和Hortonworks的合并也令人驚訝,它標志著Hadoop“大數據”炒作周期的終結，并清楚地表明分析和ML的未來增長必須針對異構存儲架構。

預測:“數據科學”作為一個領域將分成幾個子專業，包括數據工程，高級統計推斷和解釋器，我們需要為它制定標準和最佳實踐。

隨著我們更多地了解國家發展人工智能的力度和用傳感器來完善監控狀態，這將為更多的數據隱私立法提供動力。

SIOS Technology總裁兼首席執行官：Jerry Melnick

數據分析和人工智能將無處不在：數據分析和人工智能將繼續變得更加專注，專門針對特定問題而構建，這些功能將越來越多地嵌入到云平臺和管理工具中。

例如，用人工智能驅動的基礎設施工具現在被用于分析來自無數監測和管理工具的輸入，許多這些人工智能工具都致力于解決整個IT領域的廣泛問題。在2019年這些快速發展，更加專注IT人員遇到的最關鍵的問題及常規和復雜問題。這種備受期待的功能將簡化IT運營，提高基礎架構和應用程序的穩健性，并降低總體成本。

隨著這一趨勢，人工智能和數據分析將自然地嵌入到HA和DR解決方案以及CSP產品中，以增強其運營的穩健性。通過快速，自動和準確地了解問題并診斷復雜配置中的問題，從云提供的關鍵應用程序服務的可靠性和可用性將大大提高。

BISim高級總監：OISkar Nieder

機器學習和深度學習(DL)形成的AI革命在軟件開發行業中繼續受到越來越多的關注。隨著圖形處理單元(GPU)加速的引入，以前存在的時間和計算限制被消除，新的易于使用的框架和數據中心將使這些技術在2019年向所有人提供。

Python，C ++和Javascript將在2019年繼續作為主要編碼語言。然而，對于開發人員來說，體驗TensorFlow或Caffe for AI和Angular或React等Web語言開發的語言框架將變得更加重要。

Micro Focus戰略總監：Mark Levy

在2019年，AI和ML將與自動化融合，并將徹底改變DevOps。在過去的幾年中，自動化在DevOps中的作用繼續成為更大實踐的一個重要方面。目前，主要的重點是自動化過程或事件驅動的手動可重復任務，但AI/ML顯示變化的新進展即將出現。通過AI和ML的融合，自動化有可能展示前所未有的智能，因為新系統將關注趨勢，以及分析和關聯整個價值流以預測和預防問題。隨著DevOps實踐專注于提高運營效率，ML，AI和自動化即將融合將為使用DevOps的公司帶來顯著優勢。

Micro FocusVertica產品營銷副總裁：Joy King

在2019年，ML項目將從科學項目和創新實驗室轉向由行業顛覆者領導的全面生產。事實上，每家公司都有ML項目，但其中大多數都依賴于無法訪問跟業務目標相關的所有數據的專業平臺。所有數據都存儲在各種數據倉庫和數據庫中，其中沒有一個能夠運行端到端ML，迫使數據移動到專業平臺。然而，僅使用一部分數據來訓練和評分ML模型，從而導致精度有限。在2019年，當前的行業顛覆者和智能傳統公司將把ML帶到其所有數據，而不是將其數據轉移到ML平臺上。這些公司將更準確地預測結果，包括醫療設備的預測性維護，基于個性化客戶行為分析的預測收入，主動檢測欺詐等非服務。

Portworx的聯合創始人兼首席執行官：Murli Thirumale

人工智能和自動化將改變IT的經濟方向。即使基礎設施本身變得可編程，大多數DevOps仍然由人驅動。但是數據量增長如此之快，應用程序發展如此之快，這就要求基礎架構必須足夠靈活，這樣才不會成為瓶頸。在2019年，基礎設施將變得越來越可編程，基于AI的機器將預測存儲和計算需求，并根據網絡狀況，工作負載和歷史模式自動分配資源。

NICE解決方案營銷人員：Karen Inbar

機器人自動化將創造新的就業機會。隨著機器人過程自動化(RPA)的出現，組織內部正在衍生出新的角色。2019年，更多公司將招聘新的專業職位和角色，如RPA工程師、RPA架構師和RPA顧問，以幫助員工了解RPA最佳實踐以及RPA如何強化工作流程。隨著RPA技術在工作場所變得更受歡迎和更具吸引力，“首席機器人官”等新職位也將開始出現。

公司需要選擇自動化哪些流程。2018年的許多自動化項目都失敗了，因為它們選擇了對錯誤的流程進行自動化。在2019年，公司需要更密切地評估任務的時間分配和復雜性，這種自動化任務的戰略性重新確定優先級將確保組織在數字化轉型工作中推動投資回報率和成功。一旦組織掌握了更簡單的任務的自動化，他們就可以引入更先進的技術，例如光學字符識別(OCR)，使無人值守的機器人能夠解釋更多的數據元素。

WekaIO首席技術官：Andy Watson

到目前為止，我們知道用于ML的數據集每年都在變大，不僅是累積量，還因為信號源(相機、物聯網傳感器、軟件日志等)的數量越來越多。我們“預測”ML研究人員將利用越來越多的功能強大的GPU來處理前所未有的大量數據。但這僅僅是對當前趨勢的觀察，而不是預測。

相反，讓我們來看看如何使用這些更大的數據體。我可以通過ML訓練來預測松弛參數，以允許軟件減少訓練錯誤，對支持ML計算環境的存儲基礎設施將產生影響。

ML的領導者DeepMind最近發表了一篇重要論文：“關系歸納偏見，深度學習和圖形網絡。”一個關鍵點是ML訓練可能會發展出一種更為徒手的方法，允許其軟件影響其學習途徑的選擇標準(通過推理模式)，這將影響數據存儲基礎架構。

在今天的任何大型數據集中，我們都有一個“工作集” - 最活躍的數據子集，最常見的是最新數據。例如，在一組ML研究人員可能累積用于培訓的所有許多PB中，他們數據中心的通常情況是，從較慢的“冷”存儲中只能提升幾百TB的總數據庫，因此他們的GPU可以在“熱”快速存儲層中訪問它。然而，隨著這種大變化，將難以確定哪個數據應該是任何給定工作集的成員。相反，將整個事物視為可能必要的可能是適當的。正在進行的各種ML事件中的每一個將從所有那些PB中選擇不同，并且這將指示所有數據被放置在熱層中。

McAfee的首席技術戰略師：Candace Worley

首席分析官(CAO)和首席數據官(CDO)將需要監督AI。當公司擴展AI的使用時，必須做出無數的決定。隱私監管存在影響，但也存在法律，道德和文化方面的影響，我們需要在2019年創建一個專門的角色，并對AI的使用進行執行監督。在某些情況下，AI已經表現出不利的行為，例如種族貌相，不公平地拒絕個人貸款以及錯誤地識別用戶的基本信息。CAO和CDO將需要監督AI培訓，以確保AI決策避免傷害。此外，人工智能必須接受培訓，以處理真正的人類困境，優先考慮司法，問責制，透明度，同時還要檢測黑客攻擊和數據濫用。

可解釋的AI將成為一項要求，特別是對于金融/銀行和醫療行業。如果AI為個人的健康或治療提出醫療建議，醫生必須能夠解釋用于得出該結論的邏輯和數據。我們尚未與人工智能的關系處于某種程度，許多人因為人工智能的推薦而愿意接受藥物治療或手術，特別是如果涉及的醫療專業人員無法解釋其建議的“原因”。在金融行業，我們將看到使用自動分析和認知消息，根據客戶需求提供有關股票，債券，房地產和其他資產的財務指導和投資建議。在這里，消費者也需要對基于AI的決策進行解釋。

Unravel Data首席執行官：Kunal Agarwal

人工智能和機器學習的日益重視將會推動TensorFlow和H2O實現技術突破成為可能。此外，Spark和Kafka將繼續呈現引人注目的受歡迎程度。

隨著云業務模式快速成熟，企業并購交易將繼續加速。巨頭將對人工智能領先的創業公司進行大規模收購，以便在AI和ML中提供高度需求的知識產權和人才。谷歌和阿里巴巴在收購萌芽的人工智能技術方面處于領先地位，而其他一些科技巨頭將嘗試通過自主研發來模仿他們的成功。

Grammarly研究總監：Joel

最近幾年，人工智能推動了理解和生成語言的界限(最值得注意的是新聞翻譯)。由于以下因素，我預計2019年更多自然語言處理(NLP)里程碑成果將會減少：

語言解釋依賴于語境，意味著真正理解一個人的寫作或語言需要參與者的知識，還有他們先前的交流。大多數NLP模型工作是在沒有這些因素的情況下進行的語言解釋或生成，但我希望通過結合更多受眾認知的知識，使得NLP性能提高并變得更加個性化。

關于AI的一個小秘密：許多系統都是在數千人(或更多)人類評估者創建和標記的數據集上進行訓練的。隨著我們需要解決更復雜的人工智能問題，對大量高質量人工標注數據的需求將會增加，但在利用機器學習技術來收集這些數據時會有更多時間和成本效益的突破。

同時，使用最少甚至沒有標記數據(也稱為無監督技術)的方法將減少我們對大量標記數據的依賴，使深度學習模型能夠在新的和不同類型的問題上更加健壯。

模型架構和基礎架構的進步使豐富的深度學習模型能夠在資源較低的環境中工作，例如在移動電話和Web瀏覽器中。在未來，我們希望看到更復雜的模型，即使沒有互聯網連接，也能在所有設置中為用戶提供反饋。

Univa總裁兼首席執行官：Gary Tyreman

混合云和專用云將推動機器學習(ML)項目的大規模增長。根據最近對超過344名技術和IT專業人士的調查顯示：在2020年，越來越多的項目將投入生產，ML將在未來兩年內實現爆炸式增長。超過80%的受訪者表示，他們計劃將混合云用于ML項目，這樣可以降低成本。Univa客戶已經在尋求指導，將他們的HPC和機器學習工作負載遷移到云或混合環境，因為他們希望將他們的ML項目推進生產。

AI/ML將進入企業應用程序。我們一直在談論人工智能是過去兩年中最熱門的趨勢之一。我們開始看到AI和機器學習穩步進入企業應用程序，用于客戶支持，欺詐分析和商業智能等任務。我們完全有理由相信這些創新將繼續在云中發生，2019年將是企業中人工智能的重要一年。

HPC和GPU將在推進機器學習項目中發揮關鍵作用。GPU在HPC中將發揮很高的價值，其中許多任務，如模擬，財務建模和3D渲染也能在并行環境中運行良好。根據HPC市場的市場研究公司Intersect 360研究表明：50種最受歡迎的HPC應用程序包中有34種提供GPU支持，包括所有前15種HPC應用程序。因此，GPU在HPC中變得至關重要。科學家，企業研究人員，大學和研究機構都知道，加速應用程序對商業和研究來說都是有益的。

Sutherland首席分析官：Puti Nagarjuna

打破障礙; 人工智能與人類恐懼之間的平衡：無論我們是否意識到，我們對人工智能的依賴比以往任何時候都更加活躍，2019年公司將齊心協力進一步了解人工智能的局限性，同時發現AI應對更細微的人類行為的方法。

越來越多人接受人工智能作為客戶體驗的第一線：消費者將更多地接受人工智能聊天機器人作為客戶體驗的第一線，更多公司將采用它們來創造超個性化和便捷的體驗。

AI將把以客戶為中心的營銷推向新的高度：隨著各種規模的公司轉向人工智能技術，通過人工智能增強趨勢分析將達到前所未有的價值水平，幫助企業評估如何優化營銷工作，作為數據驅動的一部分CMO將崛起。

機器學習追求最大價值：數據呈指數級增長，但訪問該數據的能力對于良好的ML算法并不實用。在未來一年，一個主要的挑戰將是不斷發展的算法，以產生適用于你的數據的最大值具體需要。

匯流數據架構師：Gwen Shapira

隨著越來越多的公司試圖將AI從實驗室轉移到生產中，我們將看到越來越多的工具用于管理開發生命周期。AI具有獨特的雙階段開發模型，目前的CI/CD工具鏈無法解決訓練，可重復性和數據管理方面的獨特挑戰。

許多公司意識到他們可以通過更簡單的工具獲得許多AI / ML優勢，例如規則引擎和簡單的推薦系統。我希望看到越來越多的人采用這些，既可以作為進入完全自治世界的墊腳石，也可以作為許多行業的良好解決方案。

我們將看到許多數據工程工具被重新命名為AI/ML數據管道工具。它們與通常的數據工程工具大致相同，但預算較多。我期望一個真正的以人為本的數據管道來處理訓練和生產之間的數據和模型流，特別是處理反饋循環和模型改進。

Kinetica的首席技術官兼聯合創始人：Nima Negahban

數據工程師的崛起使AI成為企業的最前沿。 去年是數據科學家的一年，企業重點關注招聘數據科學家創建高級分析和ML模型。2019年將是數據工程師的一年。數據工程師將專注于將數據科學家的工作轉化為業務的強化數據驅動軟件解決方案。這涉及創建深入的AI開發，測試，DevOps和審計流程，使公司能夠在整個企業范圍內大規模整合AI和數據管道。

人與ML形成共生關系，以推動實時業務決策。 2019年人工智能和分析的世界需要融合，以推動更有意義的業務決策。這將需要一種通用方法，將歷史批量分析、流分析、位置智能、圖形分析和人工智能結合在一個平臺中進行復雜分析。最終結果是一種新的模型，用于結合臨時分析和機器學習，比以往更快的速度提供更好的洞察力。

Oqton首席技術官兼聯合創始人：

Ben Schrauwen

2018年最大的驚喜是在解決大型訓練數據集需求方面取得的進展。AlphaZero擊敗了所有以前的版本，達到了超人的水平。生成對抗網絡(GAN)正在成功應用于產生更強大的模型。此外，我們現在看到AI可以在非常具體的任務中變得如此擅長，人類無法再說出差異，例如Google Duplex在語音合成中有效地越過了神奇的山谷，為特定的狹窄領域產生了自然的聲音對話。

我預計我們會很快看到AlphaZero的方法適用于大型搜索空間的難題，甚至超越人類的專業知識。視覺和3D深度學習的進步將導致越來越多的解決方案，以幫助提高人類在特定任務中的生產力，甚至完全自動化。

MemSQL首席執行官：Nikita Shamgunov

預測#1：現代工作負載需求將命令從NoSQL轉移到NewSQL數據庫。 由于ML，AI和邊緣計算工作負載不斷激增數據，傳統的NoSQL數據庫不再足以滿足市場對更高性能和可擴展性的需求，而不會給現有數據庫增加新的復雜性。關系數據庫已發展成更具可擴展性和快速運行的NewSQL數據庫，通過將事務和分析處理功能集成到單個數據庫中，這些數據庫能夠滿足這些需要更高數據處理能力的現代工作負載的需求。

預測#2：人工智能和機器學習計劃將要求CEO更好地了解它的基礎架構。人工智能和ML的競爭正變得比以往任何時候都更加激烈。為了使企業能夠成功部署AI和ML以實現最大化價值并降低風險，CEO和其他C級領導者需要了解其數據基礎架構的成熟度，包括如何存儲和處理數據，以確定哪些技術和人才需要推動轉型。

預測#3：AI將使員工能夠最大限度地減少勞動密集型任務。人工智能的采用有望推動新的角色和工作機會的引入，以符合公司戰略，從而變得更加以數據為導向。人工智能將幫助員工專注于更有意義的職責，例如分析洞察力和應用快速數據驅動的決策制定技能，而不是替換人來執行工作，而是幫助執行通常耗時且勞動密集的任務。