<mark id="oztn4"></mark>
0
今年8月，雷鋒網將在深圳舉辦盛況空前的“全球人工智能與機器人峰會”，屆時雷鋒網將發布“人工智能&機器人Top25創新企業榜”榜單。目前，我們正在拜訪人工智能、機器人領域的相關公司，從中篩選最終入選榜單的公司名單。
如果你也想加入我們的榜單之中，請聯系：2020@leiphone.com。
圖片來源：TechCrunch。
本文作者為微軟開發者部門前負責人、Madrona Venture Group 風險投資合伙人 S. SOMASEGAR 和 Madrona Venture Group 風險投資合伙人 Daniel Li。
應用智能指的是使用機器學習技術開發、使用歷史數據和實時數據，做出預測和決策的應用的過程。這些開發出的智能應用能夠為用戶提供豐富的、自適應的、個性化的體驗。
我們相信今天每一個成功的新應用都是智能應用.
聊天機器人大軍、虛擬助手和電子商務網站在學習在正確的時間展示正確的推薦；最新的交友應用能夠學習并能不斷提升用戶體驗。此外，為了應對新成長起來的應用，傳統的應用也在變得越來智能。
現在是投資更廣泛的智能應用生態系統（intelligent app ecosystem）的大好時機，因為應用開發中幾個重要的趨勢正匯聚到一起：
大規模計算能力的可用性，和用于支持機器學習模型的低成本存儲；
機器學習技術的易用性讓開發者可以利用這項技術；
將微服務（microservice）作為應用的開發模式；
可用于發展開發應用的平臺，尤其是基于消息和語音等“自然用戶界面”的平臺。
我們思考了智能應用出現的多種方式，以及它們是如何開發。本篇中的智能應用匯集闡釋了對智能應用的創造很關鍵的多種技術的層次。
作為投資者，我們喜歡思考主要行業變化的市場動態。智能應用的興起必將為創業公司和大型科技公司創造很多新機會。以下是我們對經營不同層次智能應用的企業有關鍵影響的因素的一些想法：
應用將會通過機器學習，定義終端用戶的體驗。
圖片來源：TechCrunch。
在應用層上存在兩類主要的應用：由應用智能驅動的全新應用，和得到應用智能改進的現有應用。
全新的應用得解決一些難題：終端用戶愿意為“人工智能”付多少錢，以及怎么確保它們能獲取交付給用戶的一部分價值。更廣泛地，這能檢驗我們觀點是否會實現，即機器學習的價值主張將成為收入的一個主要來源。
同時，因為高質量的相關性數據對機器學習的重要性，我們認為針對特定行業或特定用途的應用將成為應用層上機遇的最直接的金錢袋。
現在已有的針對特定用途的應用的主要領域包括自治系統、安全和異常檢測、銷售和營銷優化、以及個人助理。我們也能看到一些有趣的垂直行業的智能應用，尤其是在零售、醫療、農業、金融服務和生物技術行業。最新一代殺手級應用則是來自于科技巨頭，比如亞馬遜為電子商務、谷歌為搜索和廣告、Facebook 為社交、Uber 為交通、Netflix 為娛樂開發的應用。這些公司在機器學習開發和用戶數據積累上擁有顯著的領先地位，但我們相信，會有從零開發的更智能的新應用，能在這些應用智能驅動的領域內獲勝。
新接口將會將應用轉變成跨平臺的“宏服務（macro-service）”。
圖片來源：華納兄弟影業
當我們思考新智能應用的開發方式時，一種明顯的做法是將“應用”轉變成一項可以通過任意數量的接口提供的服務或體驗。比如，我們將看到 Uber 這樣的公司通過應用、網頁和/或語音接口開發其提供的“服務”。
對公司而言，如果它們使用微服務模式設計它們的應用，那么將自己的服務進行跨平臺擴展就要簡單得多——整合一個新平臺只需要簡單地增加一個新的 API 層，就能連接所有已有的微服務：認證、產品目錄、庫存、推薦以及其它功能。
Slack、Facebook Messenger、Alexa 和虛擬現實商店等新平臺的增長對開發者來說也是有利的，因為平臺會越來越開放、會增加讓開發者生活更簡單的應用、還會通過投資基金等手段互相競爭以獲得開發者的關注。
最終，在接口層上，我們將看到文本、語音和視覺的“自然接口”將解鎖會話商務和增強現實/虛擬現實等新型類別的接口。我們對這些接口的未來是非常樂觀的，因為它們是人類互相之間、人類與世界之間互動的方式。
智能構建模塊和學習服務將會成為應用背后的大腦。
圖片來源：TechCrunch。
隨著企業們對微服務開發模式的采用，即插即用不同機器學習模型和服務以實現特定功能的能力將變得越來越有價值。在這一層面上，我們能看到兩種類型的企業：一類是原始機器智能提供商，另一類是訓練模型（即“模型即服務”）提供商。
第一類提供商為智能應用開發者提供“原始的”或核心構建模塊，如算法和部署過程。第二類提供商則為企業提供中間服務，讓企業可以即插即用地使用預訓練模型處理圖像標記、自然語言處理或產品推薦等任務。這兩類智能應用背后的企業為智能應用提供了很大一部分價值，但這一層的關鍵問題是如何確保這些構建模塊能獲取它們提供給終端用戶的一部分價值。
IBM 沃森的方法是免費為開發者提供其 API 的使用權，但在開發者的應用被發布給消費者時會收取其 30% 的收入。其它一些提供商則基于 API 調用、計算時間或虛擬機進行收費。
這一層的企業的關鍵不同在于：為開發者提供優質用戶體驗的能力，以及機器學習算法和模型的準確度和性能。
對于自然語言理解等復雜而又通用的問題，如果供應商具有最好的數據、模型和流程，預構建的模型很可能會更簡單、性能更高。但是，對于特殊的特定業務，創業公司和企業得開發他們自己的模型和數據集。
困難又枯燥的數據收集和準備任務將變得更智能。
在數據被準備好送入機器智能的工作流程或模型之前，還需要進行收集、聚集、清理和準備。消費者和企業應用的數據來源包括照片和視頻、網站和文本、客戶行為數據、IT 運營數據、物聯網傳感器數據和網頁數據。
當應用儀器收集到原始的數據之后，還需要將其轉換成機器支持的格式。比如，企業需要將文本文件和照片等非結構化數據轉換成機器可以審查的結構化數據。這一步中，必須認識到模型的質量高度依賴于其輸入數據的質量。沒有高質量訓練數據而開發的 bot 或“人工智能”可能會導致意想不到的后果（參考微軟的 Tay），而這種訓練數據的收集往往依賴于半手動的過程，比如眾包或查找歷史數據集。
這一領域中其它值得關注的部分是傳統上作為數據源（如點擊流數據或應用性能日志）的“笨”管道的公司。它們不僅將嘗試構建預測性和適應性的功能，還將面臨來自希望從相同的數據源中提取觀點的智能服務的競爭。
這將成為金融、客戶關系管理、IT 運維、市場營銷、人力資源等傳統上收集數據但不即時提取觀點的行業的一個創新領域。比如，HR 軟件將基于之前招聘的歷史數據，在提供面試反饋和關鍵崗位最佳候選者方面，表現得越來越好。
智能應用將構建于大數據技術的基礎上。
圖片來源：Flickr/Marius B under a CC by 2.0 license
全世界的數據量每 18 個月翻一番，而且因為這種大數據爆炸，企業已經在存儲和數據分析上投入了巨資。
Hadoop 和 Spark 這樣的項目已經成為了較大型的應用智能生態系統的關鍵推動者，而且它們也將繼續在智能應用各個層次中充當關鍵角色。在選擇分析基礎設施上，開源仍將是一個重要的特性，因為客戶希望看到“引擎蓋下”是什么，以及避免在他們選擇數據的存儲位置和方式時被供應商限制。
在 IaaS（基礎設施即服務）領域內，每一家主要的云提供商都將爭取支持智能應用的工作負載。我們已經看到一些公司開源了自己 IP（知識產權）的關鍵領域（如谷歌的 TensorFlow 機器學習平臺），從而將企業和開發者吸引到它們的平臺。尤其是谷歌，未來將成為一家值得關注的公司，因為公司為增長核心 IaaS 業務，而將自己通過世界上最大的數據集訓練的機器學習模型開放給用戶。
最終，專注于存儲和管理大規模照片、視頻、日志、交易和物聯網數據的硬件公司，將成為企業客戶緊跟智能應用生成的新數據的關鍵。
機器學習人工智能生態系統市場各層分布
隨著機器學習的騰飛，我們認為這個生態系統中各個層次上都存在價值，以及有機會建立贏家通吃的成功業務。在智能應用的世界里，數據為王；可以帶來高質量數據的服務將在它們的數據騰飛中取得不公平的優勢——更多的數據能帶來更好的模型，又帶來更好的用戶體驗，接著又是更多用戶，產生更多數據。
十年之后，絕大多數應用將會是智能的，機器學習將變得和過去十年中的云一樣重要。現在進入并擁抱智能應用的企業將在構建最優秀的用戶體驗和最有價值的業務上取得顯著的競爭優勢。
via TechCrunch
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
