趨向1：大型語言模型(LLMs)，定義了下一波交互AI。
AI語言模型建立在自然語言處理技術和算法的基礎上。例如，當某個句子是半部分時，該模型將根據(jù)以前記錄的事例，推斷該句子后面的幾個詞�？偠灾褪强偨Y(jié)文本信息，甚至從純文本生成視覺圖。
LLM(LLMs)訓練對象是對包含大量數(shù)據(jù)的大規(guī)模數(shù)據(jù)集。比如Google的BERT和OpenAI的GPT-2和GPT-3，都是LLMs的典型例子。GPT-3中大約有1750億個參數(shù)，它們用來訓練570兆字節(jié)的文本。從簡單的文章到復雜的財務模型，這些模型都能產(chǎn)生結(jié)果。如今，包括OpenAI、HuggingFace、Cohere、AI21Labs和AI12在內(nèi)的人工智能創(chuàng)業(yè)公司都在為LLMs培養(yǎng)出數(shù)十億參數(shù)的模型。
一家名為Naver的韓國公司宣布，他們開發(fā)了最全面的基于人工智能的語言模型HyperCLOVA，一種類似GPT-3的韓語模式。不像上面提到的模式，華為的PanGu-Alpha和百度的Ernie3.0Titan都是經(jīng)過電子書、百科全書和社交媒體的中文數(shù)據(jù)集培訓而成。
2022年，我們將看到大型語言模型成為下一代交互人工智能工具的基礎模型。
趨向2：多模式人工智能的興起。
模型(Modality)是德國理學家赫爾姆霍茨提出的一個生物學概念，也就是生物憑經(jīng)驗接受信息的通道，例如，人類具有視覺、聽覺、觸覺、味覺和嗅覺模式。多模式是指各種感覺的融合，而多模式交互則是指人通過聲音、肢體語言、信息載體(文字、圖片、音頻、視頻)、環(huán)境等多個通道與計算機進行交流，充分模擬人與人之間的交互方式。
常規(guī)深度學習算法主要關注從單個數(shù)據(jù)源對模型進行訓練。比如，計算機視覺模型是對一組圖像進行訓練，NLP模型用于對文本內(nèi)容進行訓練，語音處理包括生成聲學模型、喚醒詞檢測和噪聲消除。這類機器學習涉及單模式人工智能，并且結(jié)果全部映射為單個數(shù)據(jù)類型。同時，多模式人工智能是計算機視覺和交互人工智能智能模型的最終融合，它為計算器提供了更接近人類感知的場景。
最新的多模式人工智能的例子是OpenAI的DALL-E，它以藝術家Salvador-Dali和PicksWale的諧音命名。可根據(jù)文字描述產(chǎn)生相應的圖像。舉例來說，當將文字描述為“一個圓環(huán)形時鐘”發(fā)送給該模型時，它就能產(chǎn)生圖像。
多任務統(tǒng)一模型(MUM)是谷歌多模式人工智能的又一實例。該方法通過從75種不同語言提取的上下文信息，對搜索結(jié)果進行優(yōu)先排序，以改善用戶的搜索體驗。MUM使用T5的文本到文本框架，比在BERT上流行的基于轉(zhuǎn)換器的自然語言處理模型要強1000倍。
通過簡單的文字輸入，英偉達的GauGAN2模型可以產(chǎn)生像照片一樣逼真的圖片。該方法將分割映射與單個模型相結(jié)合，實現(xiàn)內(nèi)繪、文到圖的生成，使之成為一種功能強大的多模式工具，能夠通過文字和圖片的混合創(chuàng)造出真實的藝術。
不久的將來，我們將會看到計算機視覺、語言和語音模式的融合，它使人工智能更加豐富和真實。
趨向3：簡化和優(yōu)化MLOps。
是一種將機器學習應用于工業(yè)生產(chǎn)的實踐，是機器學習和DevOPs在軟件領域結(jié)合起來的一種實踐，因此它在很多方面類似于2012DevOps。當DevOps于2012年面世時，很多企業(yè)已經(jīng)認識到它的價值，但他們實施DevOps是一件難事，工具鏈十分復雜，生態(tài)系統(tǒng)也不完善。相對于MLOps而言，MLOps更復雜，它包含了安裝、配置培訓、推理架構(gòu)、配置特征存儲器、配置模型注冊表、監(jiān)視模型衰減、檢測模型漂移等相關內(nèi)容。它巨大的軟件包也使得MLOps的部署比DevOps更加困難。
MLOps是加入基于云計算的ML平臺的一個概念，包括AmazonSageMaker、AzureML和谷歌的VertexAI。但是，這些功能并不能同時用于混合和邊緣計算這兩種環(huán)境。所以，監(jiān)控邊緣計算的環(huán)境模型已經(jīng)成為企業(yè)面臨的一大挑戰(zhàn)。當我們使用計算機視覺系統(tǒng)和交互人工智能系統(tǒng)時，建立用于監(jiān)控邊緣計算的模型將變得更具挑戰(zhàn)性。
由于像Kubeflow和MLflow這樣的開放源碼項目逐漸成熟，MLOps實際上已經(jīng)可以輕松獲取了。我們可能會發(fā)現(xiàn)，在未來幾年，跨越云計算和邊緣計算環(huán)境，采用了一種簡化的MLOps方法。
趨向4:AI驅(qū)動開發(fā)者生產(chǎn)率。
將來，人工智能幾乎將影響IT產(chǎn)業(yè)的方方面面，包括編程和開發(fā)。近幾年來，我們曾見過一些工具，如亞馬遜代碼大師，它可以在開發(fā)者編程時，為他們提供智能建議，從而提高代碼質(zhì)量，并且識別應用程序中最重要的那一行代碼。最近， GithubCopilot第一次以“人工智能配對程序員”的身份幫助開發(fā)者寫出有效的代碼。Salesforce的研究小組還發(fā)布了CodeT5，一項開放源碼項目，可以幫助Apex開發(fā)者在AI驅(qū)動下編寫代碼。之前的Codata,Tabnine已經(jīng)完全將智能代碼引入主流開發(fā)環(huán)境。Ponicode還是一種AI驅(qū)動的工具，它提供了功能創(chuàng)建、可視化和運行單元測試的快捷方式。
大規(guī)模語言模型(LLMs)的出現(xiàn)以及開放源碼更加廣泛的可獲得性，使得IDE廠商得以構(gòu)建基于它的智能代碼生成與分析系統(tǒng)。
更進一步說，可以通過內(nèi)嵌注解生成高質(zhì)量、緊湊代碼的工具已經(jīng)成為期待。他們甚至能把一種語言編寫的代碼翻譯成另一種語言，通過將傳統(tǒng)代碼轉(zhuǎn)換成現(xiàn)代語言，使應用程序現(xiàn)代化。
趨向五：云平臺垂直化AI新解決方案。
包括亞馬遜，谷歌和微軟在內(nèi)的全球領先的人工智能供應商正在把研發(fā)成果商業(yè)化。它們通過自己的云平臺提供主機服務，并安裝了具有人工智能加速器和預訓模型的硬件設備。
亞馬遜連接和谷歌聯(lián)絡中心AI就是垂直整合的典型例子。這兩家公司都利用機器學習的能力來實現(xiàn)智能路由，由機器人驅(qū)動的客戶服務會話，以及自動為聯(lián)絡中心代理提供幫助。AWSPanorama可與已有IP攝像機相連，以執(zhí)行基于計算機視覺的推理。用戶可以在他們的云平臺中使用新的模式。
然后把他們部署到全景設備的邊緣。AzurePercept也用類似的方法來提供邊緣計算視覺模型和交互人工智能。在Azure上，微軟建立了Percept，基于現(xiàn)有的物聯(lián)網(wǎng)，人工智能，邊緣計算服務。 注：尊重原創(chuàng)文章,轉(zhuǎn)載請注明出處和鏈接 http://www.elsolbar.com/news-id-19496.html 違者必究！部分文章來源于網(wǎng)絡由培訓無憂網(wǎng)編輯部人員整理發(fā)布,內(nèi)容真實性請自行核實或聯(lián)系我們，了解更多相關資訊請關注人工智能頻道查看更多，了解相關專業(yè)課程信息您可在線咨詢也可免費申請試課。關注官方微信了解更多：150 3333 6050
