可能会错过的3个重要AI趋势

片和硬件的增加也将促使基于这些硬件算法的改进。尽管新的硬件/芯片可能允许使用以前被认为是慢或者不可能的AI / ML解决方案，但仍需要重写许多当前为通用硬件提供动力的开源工具，以便从新的芯片中受益。最近的算法改进示例包括Sideways，通过并行化训练步骤来加快DL训练；以及Reformer，用于优化内存使用和计算能力。

2、针对隐私及其周围出现的创新解决方案

我还预见到，对数据隐私的关注将逐渐转向对ML模型隐私的关注。如今AI隐私的关注重点放在了如何收集数据以及如何使用数据上。但是ML模型并不是真正的黑匣子。可以根据一段时间内的输出推断模型输入，这将导致隐私泄露。数据和模型隐私方面的挑战将迫使企业采用联邦学习解决方案。

去年，Google发布了TensorFlow Privacy，该框架在差异化的隐私原理下工作，并且添加噪声以使输入模糊不清。通过联邦学习，用户的数据永远不会离开其设备/机器。这些机器学习模型足够智能，并且只需要占用很小的内存，可以在智能手机上运行并从本地数据中学习。

通常，使用用户提供的数据是为了提供更加个性化的体验。例如，Google Mail基于用户的键入行为来提供自动建议。数据及模型如何才能不仅有助于改善个人体验，还可以帮助更广泛的人群呢？人们愿意分享他们训练好的模型（而非数据）以造福他人吗？

这里有一个有趣的商机：向用户支付模型参数费用，这些参数来自对本地设备上数据的训练，并使用本地计算能力来训练模型（例如，在手机相对空闲时）。

3、稳健的模型部署变得至关重要

当前，企业正在努力生产可扩展性和可靠性兼具的模型。编写模型的人员不一定考虑到模型安全性以及性能，并且也不一定是模型部署的专家。一旦机器学习模型成为主流和关键应用程序不可或缺的一部分，这将不可避免地导致对于主流应用程序服务攻击的模型。

我们已经看到了一些技术不高的例子，例如：使特斯拉加速而不是减速、

（编辑：阿坝站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!