如果有一个技术术语能让所有与该行业相关的人都喜欢上，那么它就必须是“机器学习”。“机器学习”缩写为ML，它以某种方式几乎影响了每个行业。从检测肿瘤和癌症的无人诊断设备到你最喜欢的某些应用程序，一切都在使用机器学习功能。风险投资家投资了数百万美元在初创公司，关注于机器学习。这还不是全部:ML是所有尚未开始机器学习企业的预算计划。拥有平台业务的技术巨头正在将其ML功能推向更高水平。机器学习(实际上是计算机程序中实现AI的一种方法)已经是一个价值数十亿美元的行业，这很吸引人。在2016-2017年，有关这个行业的趋势和预测已经变成现实。现在是时候让每一个IT领导者认识并跟踪机器学习趋势了，这将使这项技术在2018年全年保持热度。

机器学习趋势:边缘计算


Edge（边缘）计算通过提供应用程序可以使用的兼容服务和端点来模拟公共云。机器学习应用程序很大程度上依赖于程序快速执行复杂数据分析操作的能力。通常，对于无人机等低延迟的应用程序，由于需要在云中执行复杂分析，因此ML应用程序很容易出现故障。边缘计算是一种解决方案。特别是在无法容纳虚拟机和容器的基础架构中，边缘计算提供了一个实用的解决方案。边缘计算层在这里将开发人员与计算、存储和网络服务连接起来。2018年，这种无服务器计算将通过减少部署代码的开销来为开发人员带来更多便利。

ML应用程序改善IT运营



在大多数企业中，IT系统组件生成大量数据(日志文件、状态报告、错误日志等等)。硬件组件、软件组件、服务器应用程序和操作系统——随处可见的操作数据。通过将所有这些数据纳入到机器学习的范围内，企业IT可以变得主动而不是被动。

• ML算法将帮助IT运营团队找到问题的根源。


• 通过使用预测分析，IT中断将得到减轻。


• ML将增强IT系统的入侵检测能力。

请留意Amazon Mackie的最新消息，这是一个基于人工智能的IT运营管理平台。Azure Log Analytics是从这个领域记住的另一个机器学习趋势。

个性化技术体验的出现

虽然聊天机器人已经是一种商业力量，但2018年将成为机器学习技术如何变得可访问且与商业环境中的最终用户相关的关键一年。个人虚拟助理应用程序是次要的。这些应用程序将能够连接到存储在数据库中的用户的应用程序使用信息。然后，它将检测模式，以准备个性化的使用体验，例如喜欢的屏幕列表、对下一步动作的预期以及对知识库文档的简单访问。对于企业来说，为员工提供个性化的虚拟助理将是企业实现工作效率最大化的巨大飞跃。

ML决策的透明性

在媒体、医疗、法律和工程等行业，深度学习模式的影响已经显现。我们越来越依赖机器学习算法做出的判断。然而，这些模型对人类来说并不容易。这意味着明确需要增强对人类ML算法理解的容易性，特别是在诸如贷款申请评估和医疗诊断等应用中，理解算法所使用的核心决策逻辑的重要性对于评估结果的可靠性至关重要。此外，在需要与法律法规相结合的应用程序中(例如，在不考虑年龄、性别、宗教、种姓、信仰、肤色等因素的情况下平等对待工作申请)，这将变得越来越重要。

云AI的市场竞争

尽管机器学习驱动的AI正影响着人们的日常生活，但对于企业来说，它并不是完全可以接受的。基于云计算的AI解决方案将成为这些业务的主要推动者，也许是2018年将会实现的所有机器学习趋势中最不可阻挡的趋势。在这个方向上，领先的技术创新者(谷歌、微软、IBM和亚马逊)将竞相开发基于云的AI解决方案，并将其作为企业的平台。

转向元学习

如今，机器学习算法在很大程度上依赖于它们对海量学习数据的暴露程度，以及对数据的实际暴露程度，以提高它们的逻辑。DeepMind的AlphaGo Zero能够打败它的人类竞争对手，但它还没有扮演过一个玩过500万游戏的人 (尽管该软件会暴露在更大的数据中)。

元学习是一个总括术语。Few-shot学习是一个更具体的术语，侧重于从可管理的少数例子中发现机器学习算法的想法。这是一个令人兴奋的领域。IT领导们将需要密切关注这个领域的发展，以便能够充分利用现有的机会。

将现有的ML系统与GDPR结合

当“ 一般数据保护条例”(GDPR)在2018年生效时，我们可以看到越来越多的合规问题被挖掘出来，而ML系统则处于不合规的核心。这是因为这些系统依赖于多个相互关联的数据库，每个数据库都受到GDPR严格的数据保护和隐私准则的控制。数据依赖非常昂贵，复杂的数据驱动模型需要从GDPR角度进行更深入的分析。

机器学习的研究和发展速度是值得赞扬的。它已经在商业和商业应用上产生了重大的转变。在整个2018年，我们预计会有更多的进展，主要围绕着本指南中所描述的趋势。作为一个IT领导者和决策者，你最好了解这些机器学习的趋势，并及时采取行动来冲击这个大浪潮。