Just as electricity transformed almost everything 100 years ago, today I actually have a hard time thinking of an industry that I don’t think Artificial Intelligence and Machine Learning will transform in the next several years – Andrew Ng
这是真的！在这个动态的时代，基于机器学习的平台、工具和应用程序急剧增加。这些技术不仅影响软件行业，而且影响整个行业，如医疗保健、汽车、制造、娱乐、农业等，吴恩达说得对。
随着谷歌、苹果、Facebook、亚马逊、微软等顶级公司对机器学习及其无数分支的研发投入巨资，机器学习技术的这种进步每年都在增加。牢记这一点，让我们看看 2019 年的一些顶级机器学习趋势，它们可能会塑造未来世界并为更多机器学习技术铺平道路。
1. 使用机器学习忘记数字数据（而不是机器学习！）
如今，数据是计算机科学中的新油！我们每天都在产生越来越多的数据，这意味着我们很快就没有地方可以存储数据了！常规软件系统无法处理大数据，虽然云计算非常有用，但管理大量数据的总体成本非常高！
因此，有时它比系统方便地忘记某些数据更有益。这可能发生在组织想要控制其数据相关支出的情况下，或者当用户由于隐私风险等原因希望系统忘记他们的数据和血统时。在这种情况下，最好使用机器学习来彻底了解场景并识别不必要的数据，以便将其删除或遗忘（换句话说，机器取消学习！）。
2. 神经网络之间的互操作性
人工神经网络是机器学习的一部分，令人惊讶的是，它受到生物神经网络的启发（所以我们基本上受到了我们自己的启发！！！）但是创建人工神经网络的主要挑战之一是为它们选择正确的框架.数据科学家在 PyTorch、Microsoft Cognitive Toolkit、Apache MXNet、TensorFlow 等各种选项中被宠坏了。
但问题是，一旦神经网络在特定框架上进行了训练和评估，就很难将其移植到不同的框架上。这在一定程度上削弱了机器学习的深远能力。因此，为了解决这个问题，AWS、Facebook 和 Microsoft 合作创建了开放神经网络交换 (ONNX)，它允许跨多个框架重用经过训练的神经网络模型。现在，ONNX 将成为一项必不可少的技术，它将提高神经网络之间的互操作性。
3. 自动化机器学习
对于那些不是机器学习这个神秘世界的专家的人来说，自动化机器学习是天赐之物！它允许非机器学习专家更轻松地应用机器学习解决方案，甚至可以轻松处理训练机器学习模型的复杂场景。
因此，像 AutoML 这样可用于训练高质量自定义机器学习模型同时具有最少机器学习专业知识的工具肯定会受到重视。它可以轻松地提供适量的定制，而无需详细了解机器学习的复杂工作流程。然而，AutoML 不是灵丹妙药，它可能需要一些额外的参数，这些参数只能通过一定程度的专业知识来设置。 （所以你必须学习一些机器学习！）
4. 物联网与机器学习的融合
机器学习和物联网就像 Tech Heaven 的一对！！！据 Business Insider 称，到 2025 年，物联网设备将超过 640 亿台，高于 2017 年的约 90 亿台。所有这些物联网设备都会产生大量数据，需要收集和挖掘这些数据以获得可操作的结果。现在，这需要基于深度神经网络的高级机器学习模型的专业知识。
因此，物联网用于收集和处理机器学习算法所需的大量数据。反过来，这些算法将数据转换为物联网设备可以实施的有用的可操作结果。物联网和机器学习的这种融合可以改变行业，并帮助他们根据每天可用的大量数据做出更明智的决策，从而产生新的价值主张、商业模式、收入流和服务。
5. 用于客户支持的自然语言处理的兴起
很明显，人类可以使用语音相互交谈，但现在机器也可以！这被称为自然语言处理，机器会在说话时分析和理解语言和语音（现在，如果您与机器交谈，它可能只会回话！）。现在 NLP 在客户支持应用程序中非常受欢迎，尤其是聊天机器人。这些聊天机器人使用 ML 和 NLP 以文本形式与用户交互并解决他们的查询。因此，您无需直接与人互动，即可在客户支持互动中获得人性化的体验。
这还不是全部！ NLP 和 ML 在实际解析不同的对话和理解用户在说什么方面也非常宝贵。这使公司能够获取有关用户的战略信息，例如他们的偏好、购买习惯、情绪等，然后可以对其进行分析以了解市场趋势、运营风险等。