18年的10个企业机器学习预测都在这了！

　　通过限制专家可以干预ML过程的方法，通过尝试将每个问题都纳入基本分类或使用超参数调整的回归建模方法，从而实现完全的自动化端到端ML。有影响力的机器学习并不是将一堆相似的算法与基于普通的性能指标的算法相比较，但是一些公司会发现这是一种比较困难的方法。

　　预测＃5

　　MLaaS平台将成为传统企业的“AI骨干”

　　MLaaS Uptake MLaaS平台的采用将加速从大型公司内部的“真正的私有云”和中型企业和初创公司的多租户公共云环境中。这些平台与昂贵的咨询和定制应用程序相结合的合理的成本结构与合适的抽象级别，将为开发人员和ML工程师提供良好的平台大规模设计和部署点应用，速度更快。云机器学习平台，将通过以下方式实现机器学习的民主化：

　　·通过消除复杂性或前置供应商合同显著降低成本。

　　·提供预配置的框架，打包最有效的算法。

　　·从最终用户中抽象出基础设施设置和管理的复杂性。

　　·通过REST API和绑定提供轻松集成、工作流自动化和部署选项。

　　预测＃6

　　更多的开发人员将把机器学习引入他们的公司

　　开发人员将拥有丰富的工具来利用这些有用的基准，但却没有什么有意义的基准，这将造成一些混乱和互操作性问题，从而导致与ML专家的紧张关系（如果在组织中可用的话）。在这个论点中没有赢家，因为所需要的学习过程仍在继续。随着尘埃落定，机器学习和软件工程最佳实践将开始融合在一起以避免技术债务，并导致更精确的设计和可预测的最终用户体验。

　　随着越来越多的针对垂直解决方案优化的专用工具包和SDK（即IoT满足ML，如异常检测和强化学习），这一趋势将进一步加速，这将使开发人员更接近一个端到端的智能应用程序。

　　预测＃7

　　抛开一切，开源的方式，MLaaS可能会产生技术债务

　　过多的ML库可能的ML技术的数量加上商业ML管道的变化和长度一起带来了算法的可能组合的指数数量。即使拥有巨大的计算能力（即数以千计的服务器），人们也只能尝试使其中的一小部分工作。事实是，计算能力永远不会真正取代通过算法或专家在搜索这个空间的可能性。将许多完全不同的开源库和编码范式打包成一个松散集成的“机器学习套件”，由主要的云服务提供商推广，肯定会引起一些数据科学家的兴趣。在这些“复选框”中，他们会感到宾至如归，因为这是他们熟悉的本地工件。不幸的是，由于其固有的复杂性，这种短视立场将无法迎来真正的协作和包容性企业机器学习的时代。

　　预测＃8

　　机器学习模式的“解释性”是新的“表演”

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!