《2019 年數(shù)據(jù)和人工智能全景圖》的第一部分涵蓋了有關(guān)數(shù)據(jù)和人工智能的社會影響的問題，包括全景圖本身。在第二部分中，我們將深入探討數(shù)據(jù)與人工智能的一些主要行業(yè)趨勢。

數(shù)據(jù)和人工智能生態(tài)系統(tǒng)仍然是最令人興奮的技術(shù)領(lǐng)域之一。它不僅有自己的爆炸式的發(fā)展勢頭，而且還推動并加速了許多其他領(lǐng)域(消費者應(yīng)用、游戲、交通等)的創(chuàng)新。因此，它的整體影響是巨大的，遠遠超出了下文的技術(shù)討論。

當(dāng)然，沒有任何有意義的趨勢會在短短一年的時間內(nèi)展現(xiàn)出來。而接下來要講到的許多趨勢都是經(jīng)過多年醞釀而成的。我們將重點討論 2019 年特別加速的趨勢，或者在行業(yè)對話中迅速突出的趨勢。

我們將從左到右大致遵循全景圖的順序：基礎(chǔ)架構(gòu)、分析和應(yīng)用。

基礎(chǔ)架構(gòu)的趨勢

我們在基礎(chǔ)架構(gòu)領(lǐng)域中看到三大趨勢：

是第三波浪潮來了嗎?從 Hadoop 到云服務(wù)，再到 Kubernetes。

數(shù)據(jù)治理、編目、沿襲：數(shù)據(jù)管理越來越重要。

人工智能專用基礎(chǔ)架構(gòu)堆棧的興起。

數(shù)據(jù)基礎(chǔ)架構(gòu)世界在繼續(xù)快速發(fā)展。這里的主要方向是從 Hadoop 到云服務(wù)再到混合云 / Kubernetes 環(huán)境的三個階段過渡，這一過程已進行多年，但似乎正在加速。

Hadoop 在很大程度上是大數(shù)據(jù)世界的“先驅(qū)者”，可以追溯到 2003 年 10 月的一篇論文。作為使用計算機網(wǎng)絡(luò)分布式存儲和處理大量數(shù)據(jù)的框架，它在數(shù)據(jù)生態(tài)系統(tǒng)的爆炸式發(fā)展中發(fā)揮了絕對核心的作用。

然而，在過去的幾年里，宣布“Hadoop 已死”已經(jīng)成為行業(yè)觀察者的一項運動。由于 Hadoop 供應(yīng)商遇到各種各樣的麻煩，這一趨勢今年進一步加速。在撰寫本文時，MapR 已經(jīng)幾乎瀕臨關(guān)門停業(yè)，不過，現(xiàn)在可能已經(jīng)找到了買家。最近 Cloudera 和 Hortonworks 剛完成高達 52 億美元的合并，在 6 月份的一個艱難的日子里，由于令人失望的季度收益，股價暴跌了 40%。Cloudera 已宣布多種云計算和混合產(chǎn)品，但尚未推出。

由于來自云平臺的競爭，Hadoop 正面臨越來越大的阻力。Hadoop 開發(fā)的時候，云計算還不是一個嚴肅的選擇，大多數(shù)數(shù)據(jù)都是本地部署的，網(wǎng)絡(luò)延遲是一個真正的瓶頸，因此保持數(shù)據(jù)和計算共處一地還是很有意義的。但現(xiàn)在，世界已經(jīng)改變了。

然而，Hadoop 不太可能很快就會消失。它的采用可能會減緩，但由于它在企業(yè)中的部署規(guī)模之大，將使它在未來幾年內(nèi)能夠保持慣性和持久力。

無論如何，向云端過渡的趨勢顯然正在加速。有趣的是，在我們與《財富》美國 1000 強企業(yè)高管的談話中，我們得到一個印象：2019 年似乎真的發(fā)生了轉(zhuǎn)變。在過去的幾年里，盡管人們都在討論云，但真正的行動卻是本地部署(on-premise)，尤其是在受監(jiān)管的行業(yè)。他們認為這幾乎是一個骯臟的秘密�！敦敻弧访绹� 1000 強企業(yè)的許多高管都在積極轉(zhuǎn)向云計算，其中一部分活動涉及從傳統(tǒng) Microsoft 商店轉(zhuǎn)向 Azure。

因此，盡管云供應(yīng)商的規(guī)模已經(jīng)非常龐大，但它們?nèi)栽诶^續(xù)快速增長。2018 年，AWS 實現(xiàn)了 257 億美元的收入，比 2017 年的 175 億美元增長了 46.9%。Microsoft Azure 的收入沒有單獨披露，但截至 2019 年 3 月的季度同比增長了 73%。這雖然不是一個完美的對比，但 AWS 的收入同比增長了 41%。

隨著云計算應(yīng)用的深入，客戶開始因成本問題而躊躇不決。在世界各地的董事會會議室里，高管們突然注意到一個曾經(jīng)很小的項目，現(xiàn)在這個項目發(fā)展得非常迅速，就跟滾雪球似的：他們的云賬單、云計算確實提供了敏捷性，但它往往要付出高昂的代價，特別是如果客戶沒注意計價器或無法準確預(yù)測他們的計算需求時。像 Adobe 和 Capital One 這樣的 AWS 客戶的故事有很多，他們的賬單在 2017 年到 2018 年的短短一年里增長了 60% 以上，遠超過 2 億美元。

成本，以及對廠商鎖定的擔(dān)憂，促成了向混合方法的演變，包括公用云、私有云和本地部署的組合。面對眾多的選擇，企業(yè)將越來越多地選擇最佳工具來優(yōu)化性能和經(jīng)濟效益。隨著云提供商更加積極地實現(xiàn)自身差異化，企業(yè)開始采用多云策略，以充分利用每個云提供商最擅長的領(lǐng)域。在某些情況下，最好的方法是將一些工作負載保留(甚至遣返)在本地，以優(yōu)化經(jīng)濟性，特別是對于非動態(tài)工作負載。

有趣的是，云提供商正在適應(yīng)這樣一個現(xiàn)實：企業(yè)計算將在多種環(huán)境中進行，他們提供了一些工具，如 AWS Outposts 之類的工具，這些工具允許客戶在本地運行計算和存儲，并無縫地將本地工作負載與 AWS 云中的其他應(yīng)用集成在一起。

在這個新的多云和混合云時代，冉冉升起的超級巨星無疑是 Kubernetes。Kubernetes 是 Google 在 2014 年推出的一個用于管理容器負載和服務(wù)的開源項目，它正經(jīng)歷著和 Hadoop 幾年前一樣的熱情，有 8000 名與會者參加了它的 KubeCon 活動，還有源源不斷的博客和播客。許多分析師認為，Red Hat 在 Kubernetes 世界因主要貢獻帶來的聲望，在很大程度上促成了以 340 億美元的價格被 IBM 收購。Kubernetes 的承諾是幫助企業(yè)在自己的數(shù)據(jù)中心和私有云以及一個或多個公用云上運行工作負載。

作為一種編排框架，Kubernetes 特別適合于管理復(fù)雜、混合的環(huán)境，它也成為機器學(xué)習(xí)的一個越來越有吸引力的選擇。Kubernetes 讓數(shù)據(jù)科學(xué)家能夠靈活地選擇他們喜歡的語言、機器學(xué)習(xí)庫或框架，并訓(xùn)練和擴展模型，允許相對快速的迭代和強大的可重復(fù)性，而無需成為基礎(chǔ)架構(gòu)專家，同一基礎(chǔ)設(shè)置服務(wù)多個用戶(欲了解更多信息請點擊此處)。Kubeflow 是為 Kubernetes 開發(fā)的機器學(xué)習(xí)工具包，它的發(fā)展勢頭很迅猛。

相對而言，Kubernetes 仍處于起步階段。但有趣的是，上述情況可能預(yù)示著云機器學(xué)習(xí)的演變，因為數(shù)據(jù)科學(xué)家可能更喜歡 Kubernetes 的整體靈活性和可控性。我們可能正在進入數(shù)據(jù)科學(xué)和機器學(xué)習(xí)基礎(chǔ)架構(gòu)的第三個范式轉(zhuǎn)變，從 Hadoop(直到 2017 年?)到數(shù)據(jù)云服務(wù)(2017 年~2019 年)，再到由 Kubernetes 和 Snowflake(2019 年~?) 等下一代數(shù)據(jù)倉庫主導(dǎo)的世界。

這種演變的另一面是復(fù)雜性的增加。當(dāng)然，我們有機會提供一個完整的平臺，可以抽象出大量的云底層基礎(chǔ)架構(gòu)的復(fù)雜性，讓更廣泛的數(shù)據(jù)科學(xué)家和分析師更容易進入這個美麗的新世界。

無服務(wù)器(Serverless)就是這種簡化的一種嘗試，盡管角度不同。這種執(zhí)行模型使用戶能夠編寫和部署代碼，而無需擔(dān)心底層基礎(chǔ)架構(gòu)。云提供商負責(zé)處理所有后端服務(wù)，并根據(jù)客戶實際使用情況向他們收取費用。在過去的幾年里，無服務(wù)器無疑是一個關(guān)鍵的新興話題，這也是我們在今年的數(shù)據(jù)和人工智能全景圖中增加的一個新類別。然而，無服務(wù)器對機器學(xué)習(xí)和數(shù)據(jù)科學(xué)的適用性，仍然有太多的工作要做，像 Algorithmia 和 Iguazio/Nuclio 這樣的公司是早期參與者。

數(shù)據(jù)環(huán)境日益混合的另一個后果是，企業(yè)需要加大努力來獲得對數(shù)據(jù)的控制。

在這樣的一個世界里，有些數(shù)據(jù)位于數(shù)據(jù)倉庫中，有些數(shù)據(jù)位于數(shù)據(jù)湖中，有些數(shù)據(jù)位于各種其他數(shù)據(jù)源中，跨越了本地部署、私有云和公用云，該如何查找、管理、控制和跟蹤數(shù)據(jù)呢? 這些努力采取了各種相關(guān)的形式和名稱，包括數(shù)據(jù)查詢、數(shù)據(jù)治理、數(shù)據(jù)編目和數(shù)據(jù)沿襲，所有這些都變得越來越重要、突出。

在混合環(huán)境中查詢數(shù)據(jù)本身就是一個挑戰(zhàn)，其解決方案屬于存儲和計算分離的總體趨勢。(請觀看 Starburst Data 的視頻，這是一家提供企業(yè)版 SQL 查詢引擎 Presto 的公司，來自我們的 Data Driven NYC 活動)。

數(shù)據(jù)治理是另一個迅速成為企業(yè)首要考慮的領(lǐng)域。數(shù)據(jù)治理的一般理念是管理數(shù)據(jù)，并確保數(shù)據(jù)在整個生命周期中具有較高的質(zhì)量，它涉及了數(shù)據(jù)可用性、完整性、可用性、一致性和安全性等方面。值得注意的是，2019 年初，Collibra 進行了一輪 1 億美元的融資，估值超過了 10 億美元。

數(shù)據(jù)編目是另一種日益重要的數(shù)據(jù)管理方式。有效的數(shù)據(jù)編目是綜合企業(yè)各種數(shù)據(jù)資產(chǎn)的字典。它們使用戶(包括數(shù)據(jù)科學(xué)家、數(shù)據(jù)分析師、開發(fā)人員和業(yè)務(wù)用戶)能夠在自助服務(wù)環(huán)境中發(fā)現(xiàn)并使用數(shù)據(jù)。請參閱領(lǐng)先供應(yīng)商 Alation 提供的這篇優(yōu)秀說明。

最后，數(shù)據(jù)沿襲可能是最近才出現(xiàn)的數(shù)據(jù)管理類別。數(shù)據(jù)沿襲的目的是普貨整個企業(yè)的“數(shù)據(jù)之旅”。它可以幫助公司了解數(shù)據(jù)是如何收集的，以及如何在其生命周期中對數(shù)據(jù)進行修改和共享。這一細分市場的增長受到許多因素的推動，包括合規(guī)性、隱私和倫理的重要性日益增加，以及對機器學(xué)習(xí)管道、模型的可重復(fù)性和透明性的需求。關(guān)于這個主題， O’Reilly 有一個很不錯的播客 可以看看。

今年加速發(fā)展的最后一個關(guān)鍵趨勢是人工智能專用基礎(chǔ)架構(gòu)堆棧不斷涌現(xiàn)。

管理人工智能管道和模型的需求，催生了快速增長的 MLOps(或 AIOps) 的類別。為了認清這種新趨勢，我們在今年的全景圖中增加了兩個框，其中一個框放在基礎(chǔ)架構(gòu)(各種早期創(chuàng)業(yè)公司，包括 Algorithmia、Spell、Weights & Biases 等)，另一個框放在開源(各種項目，通常也是相當(dāng)早期的項目，包括 Pachyderm、Seldon、Snorkel、MLeap 等)。

機器學(xué)習(xí)工程師需要能夠運行實驗并快速迭代，在需要時訪問諸如 GPU 之類的資源。在我們的 Data Driven NYC 活動中，我們已經(jīng)特別介紹了一些早期的初創(chuàng)公司，他們提供了這樣的基礎(chǔ)架構(gòu)，包括 Speell(視頻)、Comet(視頻)、Paperspace(視頻 )等。

隨著 GPU 數(shù)據(jù)庫的興起和新一代人工智能芯片(Graphcore、Cerebras 等)的誕生，人工智能對基礎(chǔ)架構(gòu)產(chǎn)生了深遠的影響，即使在較低的堆棧層面也是如此。人工智能可能會迫使我們重新思考計算的整個本質(zhì)。

分析趨勢

在分析中，我們將重點介紹幾個關(guān)鍵趨勢：

商業(yè)智能(BI)正在整合。
行動正在向企業(yè)人工智能平臺轉(zhuǎn)移。
橫向人工智能仍然非常活躍。

在商業(yè)智能領(lǐng)域，過去幾個月的明顯趨勢是我們在本文前面提到的收購活動的爆發(fā)：Tabluau、Looker、Zoomdata 和 Clearstory 的收購，以及 SiSense 和 Periscope 的合并(Periscope 首席執(zhí)行官 Henry Glaser 去年曾在 Data Driven NYC 發(fā)表演講)。

事后看來，隨著數(shù)據(jù)可視化和自助式分析領(lǐng)域的商品化，以及涌現(xiàn)大量的純服務(wù)供應(yīng)商，商業(yè)智能在某種程度上是不可避免的。每家供應(yīng)商，無論大小，都面臨著多樣化和擴展能力的壓力。對于云收購者來說，這些新的產(chǎn)品線肯定會增加收入，但更重要的是，它們有擴大原產(chǎn)品線的能力，這是幫助產(chǎn)生核心平臺的又一種工具。

商業(yè)智能還會有更多的整合嗎?Microsoft 在 Power BI 中占據(jù)強勢地位，但當(dāng)整個細分市場整合，并且每家公司都有效地參與其中時，并購市場也可以有自己的動力。鑒于其 QuickSight BI 通常被認為有點落伍，AWS 可能有更強烈的產(chǎn)品需求。

隨著商業(yè)智能的整合，數(shù)據(jù)科學(xué)和機器學(xué)習(xí)平臺領(lǐng)域的熱度持續(xù)上升。機器學(xué)習(xí) / 人工智能在企業(yè)中的部署是一個大趨勢，但仍處于早期階段，各種參與者都在爭先恐后地搭建自己選擇的平臺。

對該領(lǐng)域的大多數(shù)公司來說，明確的目標(biāo)是促進機器學(xué)習(xí) / 人工智能的民主化，讓更多的用戶和公司能夠從中獲得好處，因為機器學(xué)習(xí) / 人工智能領(lǐng)域持續(xù)存在的人才短缺現(xiàn)象仍然是廣泛采用的主要瓶頸之一。然而，不同的參與者有不同的策略。

一種方法是 AutoML。它涉及到自動化機器學(xué)習(xí)生命周期的整個部分，包括一些最單調(diào)乏味的部分。根據(jù)產(chǎn)品的不同，AutoML 可以處理從特征生成和工程、算法選擇到模型訓(xùn)練、部署和監(jiān)控的任何任務(wù)。DataRobot，是 AutoML 專家，自我們策劃 2018 年全景圖以來，已經(jīng)進行了 1 億美元的 D 輪融資(據(jù)說自那之后還進行了更多融資)。

該領(lǐng)域的其他公司，如 Dataiku、H20 和 RapidMiner，也提供了具有 AutoML 功能的平臺，但也提供了更廣泛的功能。例如，Dataiku 自 2018 年全景圖以來進行了大約 1.01 億美元的 C 輪融資，其總體理念是增強整個數(shù)據(jù)團隊的能力(數(shù)據(jù)科學(xué)家和數(shù)據(jù)分析師)，并抽象出處理整個數(shù)據(jù)生命周期所涉及的許多復(fù)雜性和繁瑣性工作(如果想了解更多，請觀看 Dataiku 首席執(zhí)行官 Florian Douetteau 在 Data Driven NYC 發(fā)表的演講視頻)『免責(zé)聲明：FirstMark 是 Dataiku 的投資者』。

云提供商當(dāng)然是活躍的，比如 Microsoft 的 Learning Studio、Google 的 Cloud AutoML 和 Amazon 的 AWS Sagemaker。盡管云提供商實力很強大，但這些產(chǎn)品的范圍仍然相當(dāng)狹窄：通常難以使用，而且主要面向技術(shù)性很強的高級用戶。它們還處于萌芽階段。據(jù)報道，Amazon 云機器學(xué)習(xí)平臺 Sagemaker 在 2018 年起步緩慢，在商業(yè)領(lǐng)域的銷售額僅為 1100 萬美元。

一些云提供商正積極與該領(lǐng)域的純玩家合作：Microsoft參與了 Databricks 的 2.5 億美元的 E 輪融資，這或許是未來收購的前奏。

除了企業(yè)人工智能平臺外，橫向人工智能的世界(包括計算機視覺、自然語言處理、語音等)仍然保持著令人難以置信的活力。

我們在之前的一篇文章中已經(jīng)討論過人工智能研究的現(xiàn)狀：Frontier AI: How far are we from artificial “general” intelligence, really?(《人工智能前沿：講真，我們離人工“通用”智能還有多遠?》)

自那篇文章發(fā)表以來，人工智能領(lǐng)域的一些主要趨勢包括：

自然語言處理的重大改進，特別是通過應(yīng)用遷移學(xué)習(xí)(涉及對大量數(shù)據(jù)上進行訓(xùn)練模型，并針對正在處理的特定問題對其進行遷移和微調(diào))，使其能夠在較少數(shù)據(jù)的情況下工作：參見 ELMO、ULMFit，最重要的是，來自 Google AI 的 BERT。

人們付出更多的努力，讓人工智能能夠在較少數(shù)據(jù)的情況下工作，包括單樣本學(xué)習(xí)。

深度學(xué)習(xí)與強化學(xué)習(xí)相結(jié)合。

生成對抗網(wǎng)絡(luò)的持續(xù)進展。

要了解更多信息，請參閱剛剛發(fā)布的兩份重要報告：Nathan Benaich 的 State of AI Report 2019(2019 年人工智能狀告報告》)、MMC Ventures 的 The State of AI: Divergence(《人工智能的現(xiàn)狀：分歧》)。

應(yīng)用趨勢

最后，隨著我們完成 2019 年全景圖的旅程，從圖表的左側(cè)到右側(cè)應(yīng)用中需要重點關(guān)注的幾個關(guān)鍵趨勢如下：

機器學(xué)習(xí) / 人工智能進入部署階段
企業(yè)自動化和機器人流程自動化的興起

在這個階段，我們可能需要 3 到 4 年的時間才能嘗試將機器學(xué)習(xí) / 人工智能構(gòu)建到幾乎任何一個企業(yè)應(yīng)用中，而這些企業(yè)應(yīng)用都將為其提供支持。當(dāng)然，肯定有有些尷尬的產(chǎn)品嘗試(如第一代聊天機器人)和一些遠遠超前于現(xiàn)實的大型營銷主張(特別是來自試圖使用機器學(xué)習(xí) / 人工智能改造成現(xiàn)有產(chǎn)品的老公司)，總體而言，這還為時尚早。許多構(gòu)建機器學(xué)習(xí) / 人工智能的初創(chuàng)公司仍在了解從研發(fā)模式向全面擴展運營轉(zhuǎn)變的挑戰(zhàn)(關(guān)于這個話題，我在之前的博文中寫了一些想法：Scaling AI Startups(《擴大人工智能初創(chuàng)公司的規(guī)�！�))。

但未來幾年的趨勢似乎很明顯：針對一個給定的問題，看看機器學(xué)習(xí) / 人工智能能否產(chǎn)生影響，如果可以，就構(gòu)建一個人工智能(或人工智能驅(qū)動)應(yīng)用來更有效地解決這個問題。經(jīng)過幾年的評估和實驗，我們完全進入了人工智能的部署階段。在接下來的幾年內(nèi)，機器學(xué)習(xí) / 人工智能產(chǎn)品將被部署到整個企業(yè)，這一點顯而易見，也是不可避免的。

一些產(chǎn)品將由內(nèi)部團隊使用上述企業(yè)人工智能平臺來構(gòu)建和部署。其他的將是具有嵌入式人工智能的全棧產(chǎn)品，由不同的供應(yīng)商提供，其中人工智能部分可能對客戶來說基本是不可見的。還有一些是由提供各種產(chǎn)品和服務(wù)組合的供應(yīng)商提供的(有關(guān)這種方法的例子，請參閱 Element AI 首席執(zhí)行官 Jean-Francois Gagne 的演講)。

成熟正逐漸到來，無論是在技術(shù)上還是在產(chǎn)品上。機器學(xué)習(xí) / 人工智能在當(dāng)前狀態(tài)下能做什么，不能做什么，這一點越來越清晰。我們開始對機器和人類之間正確分配任務(wù)有了更好的認識(請參閱 x.ai 首席執(zhí)行官 Dennis Mortensen 的演講，關(guān)于構(gòu)建第一個人工智能應(yīng)用的經(jīng)驗教訓(xùn))。例如，下一代客戶服務(wù)聊天機器人，在機器學(xué)習(xí) / 人工智能、可配置性和透明性之間提供了更智能的組合，為最終用戶帶來了最大的利益。請參閱 Ada 首席執(zhí)行官 Mike Murchison 就此主題發(fā)表的精彩演講。Ada 是 Data Driven NYC 的自動化客戶體驗領(lǐng)域的新興領(lǐng)導(dǎo)者�！好庳�(zé)證明：FirstMark 是 x.ai 和 Ada 的投資者。』

展望未來，隨著機器學(xué)習(xí) / 人工智能在高性能數(shù)據(jù)堆棧的支持下逐漸變得普及，我們是否看到了全自動化企業(yè)的曙光?

自信息技術(shù)出現(xiàn)以來，企業(yè)一直受到“孤島化”(siloisation)的困擾，各種系統(tǒng)和數(shù)據(jù)分散在各個部門，彼此之間無法溝通(這導(dǎo)致了龐大的系統(tǒng)集成服務(wù)行業(yè))，而人類則充當(dāng)了兩者之間的“粘合劑”。在一個數(shù)據(jù)和系統(tǒng)越來越集成，機器學(xué)習(xí) / 人工智能將人類從某些功能中移除的世界里，現(xiàn)在比以往任何時候，都更有可能想象企業(yè)以一種日以自動化、系統(tǒng)化的方式運作。

例如，設(shè)想一個自動化企業(yè)，需求的增加(通過機器學(xué)習(xí)預(yù)測)自動觸發(fā)供應(yīng)商訂單的增加，這些訂單會自動記錄到財務(wù)系統(tǒng)中(可以自動計算和支付薪酬獎金等);或者預(yù)期的需求減少可能會自動觸發(fā)績效營銷支出的相應(yīng)增加等。

在未來的世界里，企業(yè)不僅會成為完全自動化的組織，最終還會成為自我修復(fù)和自治的組織，這是我們在去年關(guān)于人工智能和區(qū)塊鏈的演講中探討過的一個話題。

然而，我們離那個階段還很遠，今天的現(xiàn)實主要集中在機器人流程自動化上。這是一個炙手可熱的類別，UI Path 和 Automation Anywhere 等領(lǐng)軍企業(yè)發(fā)展非常迅速，并且正如上面提到的那樣，籌集了大量資金。

機器人流程自動化(Robotic Process Automation)的縮寫是 RPA(盡管可能令人失望的是，它并沒有利用任何真正的機器人)，涉及通常非常簡單的工作流程，通常是手動(由人類執(zhí)行)和重復(fù)性的，然后用軟件替代它們。許多機器人流程自動化是發(fā)生在后臺功能中(如發(fā)票處理)。

機器人流程自動化是由圍繞數(shù)字化轉(zhuǎn)型的一股非常強勁的順風(fēng)推動的(該領(lǐng)域的領(lǐng)軍者已經(jīng)存在多年，但當(dāng)數(shù)字化轉(zhuǎn)型成為當(dāng)今熱門話題時，就突然迎來了高速的增長)。它還提供了強大的投資回報率，因為它的實現(xiàn)可以直接與人類執(zhí)行相同任務(wù)的成本進行比較。機器人流程自動化對技術(shù)服務(wù)于巨頭也非常有吸引力，因為它涉及大量的實現(xiàn)服務(wù)(因為軟件需要針對無數(shù)不同的工作流進行配置);因此，機器人流程自動化初創(chuàng)公司從與這些大型服務(wù)公司的強大合作關(guān)系中受益。

人們有理由對機器人流程自動化持懷疑態(tài)度。有些人認為它基本上是非智能的“創(chuàng)可貼”，或者說是某種權(quán)宜之計，采用由人類執(zhí)行的低效工作流，然后讓機器來完成。從這個角度來看，機器人流程自動化可能只是在創(chuàng)建下一級技術(shù)債務(wù)，隨著環(huán)境的變化，自動化的機器人流程自動化功能還會發(fā)生什么樣的變化，人們對此并不清楚，除了導(dǎo)致需要更多的機器人自動化來講舊任務(wù)重新配置到新環(huán)境之外。

以上原因是，至少在這個階段，機器人流程自動化更多的是關(guān)于自動化，而不是智能;更多的是關(guān)于基于規(guī)則的解決方案，而不是人工智能(不要被機器人流程自動化供應(yīng)商的營銷鼓噪所迷惑)。

機器人流程自動化應(yīng)該和智能自動化區(qū)分開來，智能自動化是一個以機器學(xué)習(xí) / 人工智能為中心的新興類別。智能自動化還以企業(yè)流程和工作流為目標(biāo)，但它更多的是以數(shù)據(jù)為中心，而不是以流程為中心，并且最終能夠?qū)W習(xí)、改進和修復(fù)。

智能自動化的一個例子是智能文檔處理(ADP)，在這個類別中，機器學(xué)習(xí) / 人工智能可以被用來理解文檔(表格、發(fā)票、合同等)，其水平可與人類相比，甚至更好，但大規(guī)模的情況除外。要了解有關(guān)更多背景，請參閱 Hyperscience 在 Data Driven NYC 發(fā)表的演講。『免責(zé)證明：FirstMark 是 HyperScience 的投資者』

在未來幾年里，觀察這些空間將是特別有趣的事，機器人流程自動化和智能自動化有可能會合并，除非后者的進展如此之快，以至于限制了人們對前者的需求。

相關(guān)閱讀：2019 年數(shù)據(jù)和人工智能全景圖：誰將入圍，誰將出局?

作者介紹：

Matt Turck，是一家位于美國紐約的早期風(fēng)險投資公司 FirstMark 的投資人，同時也是每月為紐約和其他地區(qū)的科技社區(qū)舉辦大型活動 Data Driven NYC、Hardwired NYC 的組織者。

本文最初發(fā)布于 Matt Turck 的個人博客，翻譯版來源：InfoQ 中文站。

譯者劉志勇

原文鏈接：A Turbulent Year: The 2019 Data & AI Landscape

標(biāo)簽： 人工智能 大數(shù)據(jù)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。