为什么AI,机器学习将在2017年成为主流

简介: 本文讲的是为什么AI,机器学习将在2017年成为主流【IT168 编译】人工智能将在2017年达到主流,因为机器学习和分析的价值已经变得愈发明显。这里是一些企业高管的预测。

本文讲的是为什么AI,机器学习将在2017年成为主流【IT168 编译】人工智能将在2017年达到主流,因为机器学习和分析的价值已经变得愈发明显。这里是一些企业高管的预测。

  AI将通货膨胀

  “AI对于许多投资者来说是一个大的主题,包括我自己,虽然我们正处在技术变革周期AI的开端,但是创业公司和投资者需要保持耐心,专注于未来的挑战。”- Rick Yang,NEA合作伙伴。

  机器学习是潮流趋势

  “现在有很多关于机器学习的炒作,但在大多数情况下,它并没有非常有效地被使用。 在我们前进的过程中,组织机构正在学习如何将机器学习所需的所有成分汇集到一起,我认为这将是2017年的故事。我们将看到机器学习从一个神秘的,过度模仿的时代移动到更多的现实世界中,并拥有成功的应用。 那些认为这是骗人的人最终会明白这是真的;那些不信任它的人也会看到它的潜力; 而一些公司将会利用它的能力来获得膨胀。几年前机器学习曾被认为只是一个潮流,但在2017年,它将是明确的。” - Jeff Everham,北美咨询总监。

  智能网络导致数据云兴起

  “随着通过任何互联网(IoAT)和机器到机器的连接不断发展,数据孤岛将被数据云替代。 现代分布式数据应用中的实时机器学习算法将成为能够实时判断“对等”决策的算法。 我们将开始看到从事后和实时到预发性分析的转变,这可以驱动交易,而不仅仅是修改或优化它们。 这将对以数据为中心的业务识别新的收入流,节省成本和提高客户亲密度的能力产生变革性影响。” - HortonWorks首席技术官Scott Gnau

  机器学习和人工智能将被民主化

  “在2017年,我期望看到更加强调机器学习和人工智能的民主化。 我们已经看到机器学习从几年前的IBM Watson发展到最近的Salesforce和Oracle。 虽然许多人认为机器学习已经成为主流,但还有更多的潜力,如性能监控和智能警报。 虽然公司在试图破解代码时可能会面临错误的启动和初始错误,但是越来越多的组织转向AI和机器学习将致使明年更多的成功。 这种增加的采用将有助于将创新更快地推向市场。” - Mike Kelly,Blue Medora首席技术官。

  预测分析工具将成为2017必备品

  预测分析不仅仅是品牌的附加物,它将成为必须了解和保留用户的必备条件。 在Tinder,捕获丰富的数据和预测未来的行为是一个良好的用户体验的关键。 Leanplum使我们能够永远了解用户的喜好。 在不久的将来,预测分析将进一步提高我们对趋势和模式的理解,帮助我们为Tinder上的每个人带来更多的价值。” - Jeffrey Morris,Tinder产品管理和收入总监。

  AI将被视为解决劳动力危机

  “随着退休,企业正处在失去重要核心人员和知识的边缘。失去了这些价值员工的企业正在转向知识管理和机器学习,以培训人工智能来捕获机构想要的东西,并为我们服务。 在未来一年及以后,我们将看到人工智能的采用不仅是来自于它本身的技术需求,人工智能还将会捕获员工的洞察力和专业知识。” - Infosys大数据和分析平台高级副总裁兼平台主管Abdul Razack

  AI-as-a-Service将起飞

  “在2016年人工智能更多的是应用于解决已知问题。 在未来,我们将开始使用AI来获取未知领域的探索。 使用AI来发现这些“未知”将使我们赢得更多地合作,有趣的创新以及改变生活的挑战。”- Infosys大数据和分析平台高级副总裁兼平台主管Abdul Razack。

原文发布时间为:2016-12-13 

本文作者:朱丽娜

本文来自云栖社区合作伙伴IT168,了解相关信息可以关注IT168

原文标题:为什么AI,机器学习将在2017年成为主流

目录
相关文章
|
8月前
|
人工智能 自然语言处理 IDE
模型微调不再被代码难住!PAI和Qwen3-Coder加速AI开发新体验
通义千问 AI 编程大模型 Qwen3-Coder 正式开源,阿里云人工智能平台 PAI 支持云上一键部署 Qwen3-Coder 模型,并可在交互式建模环境中使用 Qwen3-Coder 模型。
1329 109
|
机器学习/深度学习 人工智能 供应链
从概念到商业价值:AI、机器学习与深度学习全景指南
在这个科技飞速发展的时代🚀,人工智能正以惊人的速度渗透到我们的生活和工作中👀。但面对铺天盖地的AI术语和概念,很多人感到困惑不已😣。"AI"、"机器学习"、"深度学习"和"神经网络"到底有什么区别?它们如何相互关联?如何利用这些技术提升工作效率和创造价值?
659 0
|
10月前
|
机器学习/深度学习 人工智能 监控
AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程
本系列文章深入讲解了从Seq2Seq、RNN到Transformer,再到GPT模型的关键技术原理与实现细节,帮助读者全面掌握Transformer及其在NLP中的应用。同时,通过一个房价预测的完整案例,介绍了算法工程师如何利用数据训练模型并解决实际问题,涵盖需求分析、数据收集、模型训练与部署等全流程。文章适合初学者和开发者学习AI基础与实战技能。
1261 25
AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程
|
11月前
|
人工智能 监控 测试技术
云上AI推理平台全掌握 (1):PAI-EAS LLM服务一键压测
在AI技术飞速发展的今天,大语言模型(LLM)、多模态模型等前沿技术正深刻改变行业格局。推理服务是大模型从“实验室突破”走向“产业级应用”的必要环节,需直面高并发流量洪峰、低延时响应诉求、异构硬件优化适配、成本精准控制等复杂挑战。 阿里云人工智能平台 PAI 致力于为用户提供全栈式、高可用的推理服务能力。在本系列技术专题中,我们将围绕分布式推理架构、Serverless 弹性资源全球调度、压测调优和服务可观测等关键技术方向,展现 PAI 平台在推理服务侧的产品能力,助力企业和开发者在 AI 时代抢占先机,让我们一起探索云上 AI 推理的无限可能,释放大模型的真正价值!
|
11月前
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL消息传递接口的PyG替换
DGL (Deep Graph Learning) 和 PyG (Pytorch Geometric) 是两个主流的图神经网络库,它们在API设计和底层实现上有一定差异,在不同场景下,研究人员会使用不同的依赖库,昇腾NPU对PyG图机器学习库的支持亲和度更高,因此有些时候需要做DGL接口的PyG替换。
|
11月前
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL图构建接口的PyG替换
本文探讨了在图神经网络中将DGL接口替换为PyG实现的方法,重点以RFdiffusion蛋白质设计模型中的SE3Transformer为例。SE3Transformer通过SE(3)等变性提取三维几何特征,其图构建部分依赖DGL接口。文章详细介绍了两个关键函数的替换:`make_full_graph` 和 `make_topk_graph`。前者构建完全连接图,后者生成k近邻图。通过PyG的高效实现(如`knn_graph`),我们简化了图结构创建过程,并调整边特征处理逻辑以兼容不同框架,从而更好地支持昇腾NPU等硬件环境。此方法为跨库迁移提供了实用参考。
|
机器学习/深度学习 人工智能 自然语言处理
AI训练师入行指南(四):模型训练
本文以“从璞玉到珍宝”为喻,深入探讨AI模型训练的全过程。数据集是灵魂原石,领域适配性、质量和规模决定模型高度;优化器如刻刀手法,学习率调整和正则化确保精细雕刻;超参数优化与多模态注意力机制提升性能。通过案例解析(如DeepSeek-Chat、通义千问),展示特定数据如何塑造专属能力。最后提供避坑工具箱,涵盖过拟合解决与资源不足应对策略,强调用`torch.save()`记录训练历程,助力打造智能传世之作。
1292 0
|
机器学习/深度学习 人工智能 安全
探索AI的未来:从机器学习到深度学习
【10月更文挑战第28天】本文将带你走进AI的世界,从机器学习的基本概念到深度学习的复杂应用,我们将一起探索AI的未来。你将了解到AI如何改变我们的生活,以及它在未来可能带来的影响。无论你是AI专家还是初学者,这篇文章都将为你提供新的视角和思考。让我们一起探索AI的奥秘,看看它将如何塑造我们的未来。
526 3
|
机器学习/深度学习 人工智能 算法
探索AI的魔法:机器学习与深度学习的奥秘
【8月更文挑战第27天】在这篇文章中,我们将深入探讨人工智能的两个重要分支:机器学习和深度学习。我们将首先理解它们的基本概念,然后通过Python代码示例,展示如何应用这些技术解决实际问题。无论你是AI新手,还是有经验的开发者,这篇文章都将为你提供新的知识和启示。让我们一起开启这场AI的魔法之旅吧!

热门文章

最新文章