Die Vorhersagen Zur Entwicklung Der KI Im Jahr 2018 Waren Alle Richtig Und Sie Setzten Ein Ziel Für 2019.

Von Super Neuro

„Wir machen fünf Vorhersagen für Data Science, maschinelles Lernen und künstliche Intelligenz im Jahr 2019. Außerdem werfen wir einen Blick zurück auf die Vorhersagen des letzten Jahres, um zu sehen, welche tatsächlich eingetroffen sind.“

Von William Vorhies  

Redaktionsleiter, DataScienceCentral; Präsident und Chief Data Scientist, Data-Magnum; Vorsitzender, EB5C

Ein kurzer Überblick über die Prognose des letzten Jahres 

Prognose 1: Der Modellaufbau und die Datenaufbereitung werden stärker automatisiert. Größere Data-Science-Operationen werden auf einer Plattform integriert. Für viele Aufgaben wird nur eine kleine Anzahl an Datenwissenschaftlern benötigt. 

Das stimmt, mit der End-to-End-Integration auf fortschrittlichen Analyseplattformen ist die No-Code-Datenwissenschaft auf dem Vormarsch. 

Prognose 2: Die Datenwissenschaft wird sich in Richtung Spezialisierung entwickeln und den „Full-Stack“-Datenwissenschaftler wird es nicht mehr geben. 

Auch richtig geraten. Heutzutage schenkt man Dateningenieuren mehr Aufmerksamkeit als Datenwissenschaftlern. Weil Dateningenieure praktischer veranlagt sind. 

Vorhersage 3: Nicht-Datenwissenschaftler werden umfangreiche und komplexe Analysen besser durchführen können als Datenwissenschaftler.

Das ist die Wahrheit. Wie die Popularität von Data Viz und Visual Analytics zeigt, profitieren auch Nicht-Datenwissenschaftler von ausgefeilten Data-Science-Tools. 

Vorhersage 4: Deep Learning wird schwierig sein. Nicht viele Datenwissenschaftler verfügen über Fachkenntnisse auf diesem Gebiet, was die Anwendung künstlicher Intelligenz einschränken wird, sofern Deep-Learning-Plattformen nicht stärker rationalisiert und produktorientiert gestaltet werden.

Sowohl Microsoft als auch Google haben Plattformen für automatisches Deep Learning eingeführt, beginnend mit Transfer Learning und hin zu vollständigem AutoDL (automatisches maschinelles Lernen). Es gibt auch einige integrierte AutoDL-Plattformen. Beispielsweise verfügt clicks.ai über eine vollständige AutoML- und AutoDL-Plattform. Gartner hat DimensionalMechanics, den Eigentümer der AutoDL-Plattform, kürzlich zu einem der „Top Five Trending Companies“ ernannt. 

Prognose 5: Trotz des Hypes werden die Durchdringung von KI und Deep Learning sowie die Breite und Tiefe ihrer Auswirkungen auf den Markt enttäuschend sein.

Abgesehen von der rasanten Entwicklung von Chatbots ist die Anwendung von KI tatsächlich sehr begrenzt. KI wurde überbewertet. In der Praxis ist der Anteil der Unternehmen, die KI und maschinelles Lernen tatsächlich nutzen, sehr gering.

Vorhersage 6: Die Öffentlichkeit (und die Regierungen) werden beginnen, die sozialen und privaten Auswirkungen der KI ernsthaft zu prüfen. 

Dass diese Probleme ernst genommen werden, zeigt sich an den Maßnahmen der US-Regierung und der Europäischen Union, wie etwa den bevorstehenden Datenschutzbestimmungen Kaliforniens und den Anti-Verschlüsselungserklärungen Australiens. 

Kein Wunder, dass alle unsere sechs Vorhersagen vom letzten Jahr richtig waren. Obwohl einige Ansichten in diesem Jahr gleich geblieben sind, versuchen wir dennoch, spezifischere Prognosen und Analysen zu erstellen. 

Prognosen für 2019 

Prognose 1: Daten werden wichtiger als Algorithmen 

Seit über einem Jahr gab es keine größeren Durchbrüche im Bereich Deep Learning und klassischer Algorithmen für maschinelles Lernen. Um die Latenz in NLP zu reduzieren, wurde anstelle von RNNs eine leicht verbesserte Version von Temporal Convolutional Networks (TCNs) verwendet, es gab jedoch keinerlei Neuerungen. Gute Algorithmen sind entweder bereits bekannt oder können mithilfe von automatischem maschinellem Lernen entwickelt werden. 

In dieser Phase ist der Besitz einer großen Menge qualitativ hochwertiger Daten der Schlüssel zur digitalen Transformation eines Unternehmens. Dies hat auch zu Wettbewerb und Chancen bei Datenbereitstellungslösungen geführt, die grob in die folgenden Richtungen unterteilt werden können.

Die erste Anweisung betrifft die Gewinnung präzise gekennzeichneter Trainingsdaten. Unternehmen wie Figure Eight, die an der Kennzeichnung von Daten arbeiten, fördern kostengünstige und intelligente Strategien. Beispielsweise kann durch aktives Lernen die beste Wahl zwischen der Kennzeichnung von Daten und der Gewährleistung der Modellgenauigkeit getroffen werden.

Die zweite Richtung ist der Zugriff auf Daten Dritter. Dienste wie DymstData sind als Clearingstellen für Hunderte weiterer Datenanbieter in den Markt eingetreten. Ihre Aufgabe besteht außerdem darin, vertrauliche personenbezogene Daten zu schützen, und ihre Benutzer können Rollen für den Zugriff auf bestimmte vertrauliche Informationen erzwingen, was insbesondere bei Finanz- und Gesundheitsdienstleistungen wichtig ist. 

Die dritte Richtung besteht darin, die Datenquelle im Modell automatisch zu verfolgen und aufzuzeichnen. Insbesondere wenn Streaming-Daten aus mehreren Quellen integriert werden und sich in Echtzeit ändern, ist es wichtig zu wissen, woher die Daten stammen und wie sie verwendet werden. Tibco und einige andere Analyseplattformen integrieren diese Funktionalität. 

Vorhersage 2: Alles wird einfacher, da KI/ML Analyseplattformen in branchen- oder prozessspezifische Programme verlagert. 

Ein Blick auf die Startup-Landschaft im Bereich KI/ML zeigt, dass sich der Wettbewerb auf Branchen oder spezifische Anwendungen verlagert. Diese Programme oder Miniplattformen konzentrieren sich auf die Lösung branchenspezifischer Probleme in verschiedenen Geschäftsbereichen, beispielsweise Marketing, B2B-Vertrieb, Gesundheitswesen, Fintech und anderen definierten Gruppierungen.

Bei diesen neuen Anwendungen liegt der Schwerpunkt auf der Einbettung von KI/ML, sodass das Unternehmen bei Aktualisierungen nicht die Unterstützung einer großen internen Gruppe von Datenwissenschaftlern benötigt und sich nur auf diese Entwickler verlassen kann. 

Manche nennen dies die Kommerzialisierung von KI/ML, genauer gesagt ist es jedoch die Professionalisierung von KI/ML. 

Eine solche Transformation ähnelt dem Übergang von der Prozesstransformation (Reengineering) zum Enterprise Resource Planning (ERP) Ende der 1990er Jahre. Damals erforderte Reengineering von Unternehmen die Nutzung komplexer, individuell entwickelter IT-Lösungen zur Prozessoptimierung, was großen integrierten ERP- und CRM-Unternehmen wie Oracle, PeopleSoft, SAP usw. die Tür öffnete. 

Alle neuen Anbieter sind bestrebt, umfassende Lösungen für ihre spezifischen Märkte bereitzustellen, bleiben aber letztlich bei kleineren ERP-Plattformen. 

Behalten Sie auch mittelgroße und kleinere Unternehmen im Auge, die keine großen Data-Science-Teams haben oder sich zur Beschleunigung ihrer KI/ML-Einführung vollständig auf individuell entwickelte Modelle verlassen. 

Prognose 3: Der Aufstieg von Dateningenieuren und Datenanalysten 

Das heißt nicht, dass die Welt die Datenwissenschaftler aufgegeben hat. Es bedarf noch eines Prozesses. Wenn Ihnen jedoch bestimmte Fähigkeiten fehlen, füllt der Markt diese Lücke auf andere Weise. 

Eine Möglichkeit hierfür sind die oben beschriebenen branchen- und prozessspezifischen Intelligence-Anwendungen, für die keine große Anzahl interner Datenwissenschaftler erforderlich ist.

Der zweite Ansatz sind die sich schnell entwickelnden Plattformen für automatisiertes maschinelles Lernen (AML). Dies ist in der Datenwissenschaft effizienter und bedeutet, dass weniger Datenwissenschaftler einen großen Teil der Arbeit erledigen können.

Da die Anzahl der Modelle eher zunimmt als abnimmt, wird die Arbeitslast auf Dateningenieure verlagert, die über beide Fähigkeiten verfügen.

Zunächst gelang es ihm, die für Data Science erforderliche Infrastruktur zu schaffen, etwa einen Data Lake und Spark-Instanzen. 

Die zweite besteht darin, die Modelle zu übernehmen und sicherzustellen, dass sie im Betriebssystem implementiert werden, sowie Genauigkeit und Aktualisierung zu verfolgen.

Einige Dateningenieure sind auch für Datenoperationen verantwortlich und sorgen für die Sauberkeit und Vorverarbeitung von Datenströmen.

Ein weiterer Trend bei Analyseplattformen ist das Wachstum von Tools für visuelle Analysen und Datenvisualisierung. Heute sind die meisten dieser Tools vollständig in Data-Science-Toolsets integriert, sodass Datenanalysten und LOB-Manager mehr Nutzen daraus ziehen und sogar die analytische Arbeit steuern können. Sie werden Datenwissenschaftler nicht ersetzen, aber sie werden die Rolle der erweiterten Analytik in Teams stärken. 

Prognose 4: Neuromorphe Chips: KI und IoT rücken in den Vordergrund

Beide dieser unterschiedlichen Technologien befinden sich gleichzeitig in einem halb ausgereiften Stadium und lösen ein seit langem bestehendes Problem: die Latenz. 

Stellen Sie sich beispielsweise vor, Sie möchten mit Ihrem Mobilgerät ein Textwort oder ein Bild übersetzen. Ihr Gerät sendet das Signal zurück an die Anwendung, wo die Übersetzung in der Übersetzungs-Cloud stattfindet, und dann zurück an Ihr Gerät. 

Google und andere Sofortübersetzungsdienste sind von RNN zu einer spezialisierten CNN-Struktur gewechselt, nämlich einem temporalen Faltungsnetzwerk, weil sich RNN nicht gut an MPP anpasst, CNN jedoch schon. Durch diese Konvertierung wird die Latenz verringert, das Signal bleibt jedoch intakt. 

Eine Technologie, die dieses Problem lösen wird, sind 5G-Netzwerke. Jeder weiß, dass 5G schnell sein wird, aber sein wirklicher Vorteil liegt darin, dass es größere Datenmengen übertragen kann.

Die zweite Lösung besteht in der Einführung neuer neuromorpher Chips (auch Spiking Neural Networks genannt). Diese neuronale Netzwerkarchitektur könnte der Schlüssel zur Verwirklichung künstlicher allgemeiner Intelligenz (AGI) sein. Aber es wird einige Zeit dauern.

Derzeit entwickeln große Chiphersteller und einige Start-ups spezielle Chips für gepulste neuronale Netzwerke, die für CNN und RNN optimiert sind und von denen einige auch auf einen extrem niedrigen Stromverbrauch optimiert sind. 

Zusammengenommen werden diese Fähigkeiten Deep Learning auf Chips am Rand des Netzwerks bringen. Es wird interessant sein zu sehen, wie sich IoT und andere Streaming-Datenanwendungen ab diesem Jahr durchsetzen werden. 

Prognose 5: Verschiedene KI-Frameworks werden miteinander verschmelzen

Text-, Sprach-, Bild- und Videomodelle sind mittlerweile zum Mainstream geworden, ihre Entwicklung stößt jedoch noch immer auf große Hindernisse. Weil Modelle, die auf einem Framework (wie Caffe2, PyTorch, Apache MXNet, Microsoft Cognitive Toolkit und TensorFlow) erstellt wurden, nicht einfach auf ein anderes Framework portiert werden können.

Glücklicherweise hat dies auch zu einigen Innovationen geführt. Beispielsweise haben AWS, Facebook und Microsoft zusammengearbeitet, um den Open Neural Network Exchange (ONNX) aufzubauen, der die Interoperabilität von Modellen über verschiedene Frameworks hinweg ermöglicht.

Da die Zahl der von Entwicklern, Anwendungen und Geräten gemeinsam genutzten Modelle zunimmt, wird ONNX in diesem Jahr eine Schlüsseltechnologie sein. 

Dies ist eine Vorhersage für dieses Jahr. Warten Sie einfach bis zum nächsten Jahr, um zurückzublicken und zu sehen, wie sich dieses Feld von Ihren Vorstellungen unterscheidet.