【AI 复始，万象更新】2017 年机器学习技术&市场预测 Top 10

【新智元导读】在新年来临之际，新智元向你推荐 bigML 网站 2017 开年特稿，文章引用权威报告、著名媒体报道等各种数据，从投资、创业、人才、工作内容、竞争等方面，对未来一年机器学习的发展趋势做了中肯、理性的预测，比如①除了个别突出的项目，深度学习在商业领域还不会十分成功，②VC投资算法初创公司是为了碰碰运气，③对不确定情况的分析和推理是接下来的重点，有望实现机器学习研究的新高峰；④虽然机器学习系统使用增多，但人类仍将处于决策中心。

2017年，我们对机器学习市场的预测是乌云背后透出一丝阳光。

更直接点说，企业需要洞察 AI 热潮的背后，从中找到实践的方式并纳入自己的企业操作中。这需要从选择正确的内部平台开始，正确的平台能帮助企业利用它们的专有数据集，建立更小、更容易得出结果的项目。在这期间，这些项目累加起来能创造出积极的反馈效果，最终不仅实现决策的自动化，而且将帮助机器学习团队变革他们所在的行业。

让我们先快速回顾机器学习目前为止的发展道路：

√ 首先，机器学习已经非常有效地在许多行业改变了我们的工作方式，并且最终将触及整个经济。

√ 但是，理解、采纳并且从 36 年的机器学习的进步中获利，找到最佳的实践方式对许多企业来说是一个颇多颠簸的过程，到目前为止很少有企业能到达这一步。

√ 有许多所谓的“专家”读了几本书，或者参加了几个在线课程，就突然到达能够“改变”一些东西的位置了，这只是因为他们能够获取廉价的资本。顶端的科技公司已经尽可能多地将经验丰富的机器学习人才收入麾下，为即将到来的 AI 经济做好准备。其他的企业只能得到新手投资者的垂青，能得到的人才是没经验的是刚毕业的学生，尽管它们有着成为独角兽的野心。基于新的算法的通用、能负担得起而且可扩展的解决方案，有希望实现这些企业的野心。

√ 2017年，我们预测生态系统将开始围绕正确的方法收敛。

在进行具体的预测之前，我们必须注意到，2016年是特别的一年，世界上最有价值的五家企业都是技术公司，这在历史上是第一次。五家公司的共同特点是大规模网络效应、高度以数据为中心的企业文化，以及基于复杂分析的新型经济附加值服务。他们一直大力宣传他们的野心，要让机器学习成为他们未来发展的指点。随着创收独角兽如 Uber 和 Airbnb 等的增加，技术公司的主导地位可能在未来几年还将持续，这些企业将从全球经济的大规模数字化中受益巨大。

然而，价值万亿美元的问题是传统企业（即拥有丰富的数据的非技术公司和小型的技术公司）如何相互抵消并成为新形成的价值链的一个组成部分，以为了不仅能够生存，而且在接下来的十年里繁荣发展。现在，这些公司无法摆脱僵化的商业智能系统和基于早已过时的工作站的传统统计系统运行简单的回归模型，并未能捕捉到现实生活的许多使用案例的复杂性。

同时，他们坐拥大量难以复制却未被充分利用的专有数据集。最新的麦肯锡研究报告《分析时代：数据驱动世界里的竞争力》显示，他们在 2011 年的报告中列举的现代分析技术潜力只有不到 30% 实现了，过去五年里出现的新技术带来的新机会更少。更糟糕的是，这些发展在各个行业中的分布非常不平衡（美国医疗保健行业占比低至10％，智能手机类占比高达60％），分析能力变得比以往任何时候更加与竞争优势息息相关。

即使可能隐藏在主流供应商和研究公司的营销演说背后（例如，“认知计算”、“机器智能”，或者甚至是“智能机器”），机器学习这个精灵已经从瓶子中抛出，毫无疑问已经成为企业的具有无限潜力的一个词汇。这意味着更多传统企业和初创公司将在2017年开始他们的机器学习之旅。聪明的人们会从别人的错误中学习经验教训。尽管如此，一些旧的不良习惯仍然很难摆脱，所以，让我们从一些不是太明朗的预测开始，以更积极的预测收尾。

以下是我们的预测：

预测1：“大数据”不重要，机器学习才是中心

对“大数据”本质的深刻思考将打开机器学习大门。在追求“大数据”本质这一运动当中，专家们在一次研讨会上认识到，企业需要综合有用的“大数据”解决方案，以满足他们对技术复杂性水平的需要。在这天结束后得出的结论是，“大数据”不是别的什么，只是“明天的数据”。最近“大数据”被从Gartner技术成熟度曲线（Gartner Hype Cycle）中删除，也同样体现了这点。所有这一切都将加快把机器学习推向注意力的中心，通过用户对智能应用程序的直接接触，从这些项目中收回沉没成本。

预测2：风投投资算法初创公司是为了碰运气

风险投资的教育过程还将继续，尽管这是缓慢而且需要从失败教训中学习的过程。风险资金将继续投资基于算法的初创公司，关注创始人的学术简历。这将带来一些混乱，例如搞不清机器学习和深度学习，将机器学习算法和机器学习模型完全混为一谈，或者混淆模型训练和利用训练好的模型进行预测。投资界大多数正在寻找可快速成功的点的投资者，缺乏一定的历史视角或对该学科的深入理解。但积极点说，VC社区的一个小子集似乎正在唤醒机器学习呈现的巨大平台机会。

预测3：机器学习人才套利将继续加速

媒体对 AI 和机器学习的追捧将会持续开足马力，像在 Rocket AI 这类的聚会中，年轻的学者会被追捧并得到上述投资者的资助。投资组合公司会发现很难在算法层面进行竞争，因为很少有算法能在实践中真正的广泛有效，尽管在一些非常小的问题上某个算法会略优于其他算法。大多数竞争聚焦在争夺人才和企业的开发团队，这些企业希望在内部加强机器学习研发。最坏的情况下，收购者将不经明确的分析程序，而是疯狂地追求有话题性的内容，产生一种他们有紧跟 AI/机器学习浪尖的错觉。

预测4：自上而下的机器学习注定虎头蛇尾

传统公司的高管往往选择向咨询公司支付昂贵的费用获取帮助，形成公司的自上而下的分析策略和/或使复杂的“大数据”技术构件共同起效，然后在使用案例上做功夫，这让他们发现很难有高的投资回报率。部分原因是缺乏正确的数据架构和灵活的计算基础设施，但更重要的是，如果忽视计算能力相对来说会变得多便宜这一点的话，想用一些新的方法超越机器学习社区 36 年来集体取得的成就，会是十分困难的事。

预测5：深度学习在商业上成功的案例不会很多

深度学习的一些显著的研究成果，如 AlphaGo 等将继续引发媒体和大众的极大兴趣。然而，深度学习在某些实际使用场景下的进步，例如语音识别和图像理解，将是企业及其学习工具箱以及其他成熟技术的真正驱动力。可解释性的问题缺乏经验丰富的专家，依赖于非常大的有标记训练数据和大量计算资源，这将限制大众企业在2017年采纳深度学习。无监督深度学习目前还没有重大的研究突破，大多数传统企业尝试深度学习之后可能得出这样的结论，就是加入他们将注意力放到更容易实现的增强学习或者机器学习，可以更快地得出更好的结果。

预测6：研究不确定情况下的推理和规划将带来机器学习新高峰

当然，机器学习只是AI的一个小的子领域。对研究领域关注的增多，以及在不确定性下的推理和计划领域，来自初创企业的成果的应用，使得学习能力除了能更好地理解模式识别外，还能真正地有利于覆盖全新的领域。毫不奇怪，Facebook 的扎克伯格在他对AI/机器学习当前阶段的评估中得出了类似的结论，他花了将近一年的时间编写出自己的个人助理“Jarvis”，原型来自《钢铁侠》系列中的AI管家“Jarvis”。

预测7：尽管机器学习得到进一步采用，人类仍将是决策的核心

一些业务将使用机器学习进行基于证据的决策，但人类仍将是决策的核心。早期的一些智能应用的使用案例将出现在某些行业中，由于监管框架、创新管理方法、竞争压力、终端用户的复杂性和对更高质量体验的不同需求，以及某些价值中经济动机的冲突，能力具有不均匀的分布链。尽管有奇点即将来临和机器人将接管世界之类的种种说法，但头脑冷静的人们都指出，距离创造真正的智能系统还需相当长的一段时间。在这期间，企业将慢慢学会信任模型和模型的预测，因为他们将认识到算法确实在很多任务中胜过人类。

预测8：更实用、灵活的机器学习将会出现

更实用化、更灵活的机器学习方法将在今年悄悄出现。有说服力的企业数据将完全绕过“大数据”的喧闹，仔细挑选可以用云中的成熟算法解决的预测问题，这些算法只需要较小型的具有有利信噪比的样本数据集。当建立了对他们的能力的信心，企业将在他们的产品中部署更多的机器学习应用，增加更多的使用案例。灵活的机器学习让开发者不再受数据接入、复杂而且难以部署的工具等问题的束缚，让从业者不仅开始改进核心的操作，而且开始考虑更高风险回报的预测用例，这可以促成全新的收入来源。

预测9：MLaaS 平台将成为传统公司采用机器学习的“AI支柱”

MLaaS 平台将成为加速机器学习敏捷开发的“AI支柱”。因此，由于可以在 MLaaS 基础架构上构建的新的应用程序，商业化的机器学习将变得成本更低。云机器学习平台尤其将在以下几个方面促进机器学习民主化：

• 通过消除发杂兴或前置的供应商合约，显著降低成本；
• 提供包装有最有效的算法的预配置框架；
• 从终端用户中抽离架构设置和管理的复杂性；
• 通过 REST API 和 binding 提供集成、工作流自动化和部署选项。

不管是不是数据科学家，更多的开发者将在工作中使用机器学习

2017年将是开发者们推进机器学习的一年，这将为数以千计的小型企业缓解人才的瓶颈，这些企业在吸引具有十几年AI/机器学习经验的顶级研究科学家方面无法与Google这样的巨头公司竞争，但这些科学家的研究经验并不能自动转换为能够提供业务价值的智能业务应用程序。开发者们将在 MLaaS 平台上快速构建并扩展这些应用程序，MLaaS 平台将系统中难处理的细节（如集群配置和管理、任务排队、监视和分发等）抽取出来。开发人员只需要一个精心设计并且记录良好的 API，而不需要了解 LR 解析器如何编译和执行它们的 Java 代码，也不需要知道信息增益（Information Gain）或威尔逊得分（Wilson Score）可以怎样用于解决基于决策树的预测用例。

我们仍处于“分析时代”的早期阶段，所以对新出现的事物感到的兴奋远比对过去的错误经验所受的挫折要多。我们应该继续保持冷静，继续将这些令人兴奋的新的尝试发展壮大，数学、软件和管理实践的不断完善将带来一场风暴。

编译来源：https://blog.bigml.com/2017/01/05/10-offbeat-predictions-for-machine-learning-in-2017/