今天搞技術開發(fā)和執(zhí)行的人聊天一定離不開這些話題：人工智能、機器學習或 Bot。風險投資公司 Madrona 最近主辦了一個機器學習和人工智能會議，將智能應用生態(tài)系統(tǒng)領域里的幾個最大的科技公司和創(chuàng)新創(chuàng)業(yè)公司聚集到了一起。

　　會議的關鍵主題之一來自于對與會者的一個調查。參與調查的每個人都說機器學習對他們公司和行業(yè)很重要或者非常重要。

　　但是，超過一半的調查回復也說他們的組織在機器學習上還不夠專業(yè)，還沒法做好他們需要做的事情。

　　下面是這個峰會上談論的另外五大趨勢。

　　趨勢一：每個應用都將是智能應用

　　如果你的公司還沒有使用機器學習檢測異常、推薦產品或者預測客戶流失，那么很快它就會用上了。因為新數據的快速生成，大量計算力的可用和新機器學習平臺的方便使用（無論是它來自亞馬遜、谷歌和微軟這樣的大技術公司還是 Dato 這種創(chuàng)業(yè)公司），我們有望見到越來越多能生成實時預測而且會不斷變得更好的應用。在我們過去六個月遇見的 100 個早期創(chuàng)業(yè)公司中，90% 以上都在計劃使用機器學習為客戶提供更好的體驗。

　　趨勢二：智能 App 出現在微智能和中間件服務的創(chuàng)新中

　　當下的公司可以分為兩類（廣義上）：開發(fā)某種形式的機器學習/人工智能技術的公司，或者在應用和服務中使用機器學習技術和人工智能的公司。大量的創(chuàng)新集中在構建模塊服務（又名，中間件服務）上，其中包括數據準備（data preparation）服務和學習服務或者模型即服務（models-as-a-service）的提供商。

　　理解“what”背后的“why”是人工智能工作中的另一個關鍵部分。

　　隨著微服務以及通過 REST API 與微服務無縫連接的能力的出現，學習服務及機器學習算法的使用和再使用迎來了增長的趨勢——再也不需要從零開始編寫服務了。

　　例如， Algorithmia 公司運行著一個算法市場，任何智能應用都可以在該市場中按需要使用其中的算法。將這些算法和模型與特定數據片（在特定的垂直范圍內特定的使用情況）結合起來就是我們所說的微智能（micro-intelligence），它可以無縫接入到應用中。

　　趨勢三：在機器學習和人工智能世界里，信任和透明絕對關鍵

　　去年，機器學習和人工智能的幾個備受矚目的實驗受到了關注。例如微軟的 Tay、谷歌的 DeepMind AlphaGo、Facebook 的 M 和數量不斷增加的各種聊天機器人。自然用戶接口（語音、聊天和視覺）的興起為人類與虛擬助手（蘋果 Siri、亞馬遜 Alexa、微軟 Cortana 和 Viv）的互動提供了非常有趣的選擇和機會。

　　也有一些與人工智能互動的例子讓人感到不安。比如，在佐治亞理工學院一個在線課程將結束時，學生才驚訝地發(fā)現他們交互了整個學期的一個教學助理竟然是聊天機器人（名叫 Jill Watson，得名于 IBM Watson ）

　　這展示出技術和創(chuàng)新的力量，也給 Bot、機器學習和人工智能帶來了許多信任和透明度上的規(guī)則問題。

　　理解“what”背后的“why”是人工智能工作中的另一個關鍵部分。當一位醫(yī)生或一位病人被告知他們有 75%的可能性患上癌癥然后應該使用某種藥來治療時，一定會不高興。他們需要理解這個預測結論和治療方案是從哪些信息中得來的。

　　我們絕對相信繼續(xù)發(fā)展的話，機器學習需要完全透明，并且需要透徹地思考將會成為生活和社會進步不可或缺的一部分的技術進步帶來的倫理問題。

　　趨勢四：機器學習需要人類

　　關于我們是否應該擔憂人工智能機器占領世界已經討論過很多了。正如人工智能和機器學習已經給自動化帶來了很多有意義的幫助一樣，在創(chuàng)造正確的端到端的用戶體驗中我們也絕對將需要人類的參與。

　　如果你的公司還沒有使用機器學習檢測差異、推薦產品或者預測客戶流失，你很快就會開始了。

　　Redfin 公司曾做了個實驗：給用戶發(fā)送利用機器學習生成的推薦。這些機器學習生成的推薦比用戶自己搜索和警報過濾器得出來的東西有更高的采納率。

　　但是，當 Redfin 在將推薦發(fā)送給客戶之前要求他們評價這些推薦時，才實現了真正的進步。在客戶評價了這些推薦之后，Redfin 就能使用這些客戶的修正意見作為額外的訓練數據，之后這些推薦的點擊率得到了顯著的提升。

　　Splunk 公司描述了 IT 專業(yè)人士可以如何部署和使用 Splunk 來幫助他們工作的更好更高效，這再次強調了機器學習的應用中必須要有人這一觀點。如果沒有人的參與，客戶將無法從 Splunk 上獲得最大的價值。

　　另一家公司 Spare5 也是很好的例子。它們描述了在訓練機器學習模型時，有時需要人來修正和分類進入模型的數據。機器學習中有個關于數據的諺語：進去的是垃圾，出來的也是垃圾。數據的質量和完整性是建立高質量模型的關鍵。

　　趨勢五：機器學習是智能應用的關鍵部分......但是你也許不需要一開始就使用

　　機器學習是建立人工智能時不可或缺的關鍵部分，但最重要的目標還是讓你的智能應用能夠與用戶產生共鳴，讓客戶能方便地使用這些應用并不斷獲得更好的體驗。

　　想要有效地使用機器學習和人工智能，你通常需要一個大型數據庫。在這個事情上有成功經驗的人給出的建議是：從你想提供的應用和體驗開始，在這個過程中，考慮如何能讓機器學習改進你的應用以及需要收集并建立怎樣的數據庫來給客戶提供最好的體驗。

　　我們想讓每個應用都成為智能的，在這個過程中，我們已經付出了很多很多努力，但是我們仍然處在早期階段。正如艾倫人工智能研究所（Allen Institute） CEO Oren Etzioni 在一次爐邊談話中所說的那樣：在人工智能和機器學習上我們已經取得巨大的進步，但是今天就宣布取得了機器學習的成功就像是“我們爬上了樹梢卻宣布自己登上了月球”。