展望:Teradata专家对2019年科技发展趋势的预测(一)

汽车播报 2019-08-25


随着2019年新年钟声响起,又到了盘点未来科技发展趋势的时候了。Teradata天睿公司的专家们编制了一份清单,对人工智能、数据与分析、车联网、安全、区块链及云等领域在2019年的发展趋势进行了预测与盘点。赶快来看一下吧~



Teradata天睿公司首席技术专家Todd Walter


目前,我们正处于车联网新兴市场的发展初期,许多事情都需要进行战略决策,但无论采取何种决策,都无法在2019年将所有问题全部解决。然而,随着我们向无人驾驶汽车领域不断迈进,新的合作伙伴关系、新行业及新挑战也会随之出现,其中包括:


  • 将会出现更多新的合作伙伴关系,并由此导致汽车与技术行业发生更多并购活动,因为一辆真正的无人驾驶汽车需要各种部件成功集成,但目前,每家汽车制造商都只能提供几种独立部件而已。

  • 得益于车联网技术的不断发展,“汽车即服务”(VaaS)将持续快速增长。如今,Uber、ZipCar和Maven正在重新定义汽车所有权。未来,VaaS将逐渐改变汽车制造商的商业模式,这种变化尽管缓慢,但会在未来几年不断加速。但汽车制造商已纷纷看到这种“迹象”:汽车拥有量将大幅减少,而VaaS将大幅增加。如今,汽车制造商们正纷纷调整其业务模式,以便做好准备并甚至希望能够充分利用这一发展趋势。

  • 为了继续保持领先地位,传统汽车制造商将不得不加快步伐。目前,通用汽车、丰田和福特等传统汽车厂商,已经跟Google、Uber及Apple等技术厂商开启了无人驾驶汽车的市场份额“争夺战”。而那些跟不上车联网发展潮流的供应商,均将受到市场的严厉惩罚。

  • 由无人驾驶技术所引发的事故也将继续发生。每天由人类操作技术所引发的数百起致命事故可能无法引起人们的重视,但由新技术所引发的一次致命事故就足以吸引人们的全部目光。这种“文化”将对无人驾驶技术的采用及部署造成阻碍。因此,未来可能出现对无人驾驶技术的“无知的”文化反弹。不过,也可能产生积极的结果,包括出台更严格的安全标准,以及引发人们对事故相关信息透明度的关注。

  • 这些新兴技术的隐私性及安全性将会受到更多关注。车联网中的信息比信用卡信息更加敏感。这些信息包括:我们去哪里,什么时候去,什么时候回家,我们在哪里购物与工作,我们的孩子在哪儿上学,我们在什么时候去过什么地方等等。这些个人信息将会泄露,并最终导致坏事的发生。因此,未来还将会出现更多车辆被接管的情况,外部的坏人可以接管这一技术。“接管”情况将导致政治及法律机构的反弹和参与,开始制定法律和判决先例。为了完成调查任务,执法机关有何可以诉诸的工具与手段?



Teradata天睿公司首席技术官Stephen Brobst


  1. 2019年,较之AI算法的预测性能,AI算法的可解释性受到更多关注。

  2. NoSQL平台之间及供应商之间将开始出现整合,并逐渐趋于合理化。

  3. 传统的元数据管理将得到增强,并/或被内部众包模式所取代。

  4. 区块链技术将开始用于较之加密货币更加有趣的场景。

  5. 摩尔定律将被正式宣布“死亡”等等。



Teradata天睿公司全球新兴业务副总裁Atif Kureishy


金融犯罪升级——合成身份欺诈(Synthetic Identify Fraud)将继续成为多数电子支付企业的重大关切。许多企业将尝试采用机器学习技术,还有一些企业将展示比基于规则的系统更强悍的性能。这些企业中,有许多还将认识到需要跨多个业务部门(如HELOC、小型商业信用卡及消费信贷等)进行信息集成,以便能够使用深度学习来更好地检测复杂信号,进而实现对欺诈模式的早期检测。实际上,由于操作问题及合规性问题,所有企业新模式的部署都将面临挑战,除非它们能够自行处理其模式生命周期和模式风险管理策略中的问题。


自动标记——监督式学习需要大量的人工注释数据,来训练执行特定任务的深度学习模型。如今,企业在人工智能历程中所面临的一个基本挑战,就是创建定制化的高质量人工注释数据。这个过程非常缓慢,重复性强,可能涉及主题专家,有时甚至还需要从头来过,这对于企业而言是一项风险大、成本高的重大前期投资。2019年,能够通过自动标记技术来帮助人类创建高质量注释数据的人工智能工具将会出现,并不断获得发展。人工智能在历程早期阶段的参与将降低成本与风险,并为效益的创建提供助力,这些将在促进企业采用人工智能技术方面发挥重要作用。


零售业重构——如今,实体零售企业正将注意力转向人工智能,进而大幅改善客户体验、增强盈利能力并持续保持竞争力。2019年,将会出现面向库存管理、优质客户零售体验、定向市场营销及增添更多新功能(自助式结帐等)的新数据源(监控摄像头、摄像机、机器人)与人工智能模型。然而,关键的挑战是开发人工智能操作,并将其向数千家货架图、摄像机模型及网络基础设施能力不同的零售商店进行扩展。


稳健的上下文感知模型——如今对机器学习模型的训练往往考虑的都是细分任务,且越来越专业化。对更加广义的推理需求,今后将产生更多可以执行不同输出类型的联合估计模型,而那些每个模型只能执行单一任务的专业化模型链将被取代。例如,对于检测、对象跟踪、运动预测及运动规划这几项任务,不是分别创建可以依次执行的几个单独模型,而是直接创建一个可以联合执行所有这些任务的模型。这些新模型可受益于内部计算再利用和高级功能共享。2019年,还将出现新的系统架构,它们可以通过分层排列这些模型并/或在不同时间或空间尺度上连接它们,进而为各个人工智能模型提供“上下文”背景。


数据最小化——数据评估战略将变得愈发重要。数据越多越好,是吗?未必!企业正逐步意识到,数据应该更具选择性,而并非越多越好。将来,尤其是随着人工智能/深度学习在缩小数据使用量方面不断取得进展,我们将投入更多的时间和精力去发现数据的真正价值,进而为数据最小化策略的制定铺路。


强化学习——迄今为止,将强化学习应用于企业问题(如向客户推荐最佳报价或优化供应链等)的实例极少。对机器学习模型而言,这些实例可能是极其复杂的问题,因为它们可能有多个潜在因素需要优化,并且还涉及一系列对决策或业务结果产生决定性影响的事件。这些特点使强化学习非常适用于这些实例,并有机会远超当前的方法。2019年,企业对强化学习的应用会出现突破性进展,其重点是使用离线策略学习来克服没有真实环境来训练模型的挑战,就像在实验室中训练机器人一样。


工业检测——当前用于制造业的智能相机解决方案,提供了用于产品质量检验的通用型软件工具包,但制造商对于产品质检的特定要求非常复杂。这些黑盒式的智能相机软件解决方案,限制了制造商将图像分析特征与可提高质量问题早期检测的操作型数据相结合的能力。此外,通用型软件工具包并未使用最先进的分析技术。因此,这种通用型解决方案不能满足广泛的需求变化,从而导致质检性能低下。2019年,制造商将寻求定制化AI模型的即插即用式部署,这种模型能够以低成本/风险交付高价值。制造商将需要一个用于模型持续性监测、再培训及重新部署的分析操作框架来不断改进,这再次超出了当前智能相机供应商的能力范围。


边缘人工智能——如今,能使深度学习模型在不降低性能的前提下变得更小、更节能的工具越来越多,面向人工智能的边缘计算将更加适应并改善人/人工智能交互。这将导致零售及制造业中出现更加稳健的应用程序,进而更好地理解其企业内正在发生的事情。


模型风险管理——随着企业部署的模型数量不断增加,对模型安全性及模型稳定性进行管理的需求也愈加明显。在金融服务领域,模型风险管理(MRM)是一门众所周知的学科,可确保信用担保等关键流程所采用模型的有效性。2019年,其他行业将认识到采取类似做法的必要性,以便在对其面临的风险进行管理的同时实现其分析模型和数据的全部价值。除了模型管理之外,MRM还提供了数据管道谱系、模型治理、促进模型的清晰工作流、可再现性、压力测试、法规合规性、模型性能监控、异常检测和数据监控。


人性化数字助手——2018年,我们在为消费者提供人工智能助手、人类语音合成及增强型个性化对话座席方面取得了重大突破。人工智能助手在许多业务中的集成度和普及度将越来越高,为企业级交互方式的创新提供了崭新的机遇。下一代商业智能将结合基于语音的界面来为执行仪表板和假设场景提供支持。



精彩未完待续


敬请期待下期内容~



另外,尚有几位参与有奖调研的中奖读者未能联系上,请在公众号里留言留下您的联系方式,具体中奖名单请进入下方链接确认:


“感知新生 精准触达”中奖名单揭晓