人工智能的创新持续快速发展-几乎所有行业都有爆炸性的增长。那么去年带来了什么?我们对2021年的AI有何期待?
MLOps(“机器学习操作”，生产机器学习的实践)已经存在了一段时间。但是，在2020年期间，COVID-19对监视和管理生产机器学习实例的需求有了新的认识。运营工作流程，库存管理，流量模式等的巨大变化导致许多AI行为异常。这在MLOps世界中称为漂移-当传入数据与AI训练的期望值不匹配时。虽然以前将ML部署到生产中的公司已经知道生产ML的漂移和其他挑战，但是COVID引起的变化引起了对MLOps需求的广泛了解。同样，随着CCPA等隐私法规的实施，处理客户数据的公司也会对治理和风险管理的需求增加。最后，首个MLOps社区聚会-运营ML会议-于2019年开始，在2020年也看到了思想，经验和参与范围的显着增长。
AutoML(自动机器学习)已经存在了一段时间。传统上，AutoML专注于算法选择和为特定数据集找到最佳的机器学习或深度学习解决方案。去年，从应用程序到针对企业的目标垂直AI解决方案，低代码/无代码运动得到了全面发展。尽管AutoML可以在没有深入的数据科学知识的情况下构建高质量的AI模型，但现代的低代码/无代码平台可以在没有深厚的编程知识的情况下构建整个生产级的AI驱动的应用程序。
最近几年为自然语言处理领域带来了长足的进步，其中最大的进步可能是《变形金刚》和《注意力》，后者的常见应用是BERT(带有变压器的双向编码器表示)。这些模型非常强大，并且彻底改变了语言翻译，理解，总结等等。但是，这些模型训练起来非常昂贵且费时。好消息是，经过预训练的模型(有时还允许直接访问它们的API)可以产生新一代有效且极其易于构建的AI服务。通过API可访问的高级模型的最大示例之一是GPT-3-已针对从编写代码到编写诗歌的用例进行了演示。
NLP并不是唯一看到实质性算法创新的AI领域。生成对抗网络(GANs)也已经看到了创新，展示了在创造艺术和伪造图像方面的非凡成就。类似于变压器，GAN的训练和调整也很复杂，因为它们需要大量的训练集。但是，创新极大地减少了创建GAN的数据量。例如，NVidia展示了一种用于GAN训练的新增强方法，该方法所需的数据要比其前辈少得多。
随着低代码工具的普及，年轻人构建AI的年龄正在下降。现在，小学生或中学生都可以构建自己的AI，以执行从分类文本到图像的任何操作。美国的高中开始教授AI，而中学则紧随其后。例如，在硅谷的2020年Synopsys科学博览会上，获奖软件项目中有31%在创新中使用了AI。更令人印象深刻的是，这些AI中有27%是由6至8年级的学生建造的。一个获得国家Broadcom MASTERS奖的例子是一个八年级学生，他创建了一个卷积神经网络来从眼部扫描中检测出糖尿病性视网膜病。
