微軟前副總裁S. Somasegar從智能應用開發的角度，總結了2016機器學習和人工智能的5大發展趨勢：算法和數據結合的微智能，將能靈活地在應用中得到融合；讓“每一個應用都變得智能”；人工智能的黑箱將被揭開；現階段的機器學習和人工智能中，人類的作用不可替代；最后，他認為對于企業來說，不是從一開始就需要機器學習。

風險投資集團Madrona不久前在西雅圖舉辦了一場機器學習與人工智能峰會，匯集了智能應用生態系統中不少大公司和初創企業。

本次峰會的一個重要的議題來自對與會者的問卷調查。在調查中，所有受訪者都表示，機器學習對他們的公司和所在行業很重要或者非常重要。

然而，超過半數的受訪者認為，自己所在的機構在機器學習上還不夠專業，難以支持他們完成需要做的事。

S. Somasegar

微軟開發者部門前任副總裁，現Madrona投資合伙人S. Somasegar參加了這次峰會，下文是他所寫的總結。他認為，本次峰會展現了機器學習和人工智能當下的五個趨勢：

1. 微智能（micro-intelligence）和中間件（middle-ware）服務

廣義上講，現在的公司分為兩類：一類是研發機器學習和人工智能技術的；另一類則是在應用和服務中使用機器學習和人工智能的。在包括數據預服務和學習服務或Maas提供者的（數據存儲）塊服務（比如aka和中間件服務）中，現在正有大量的革新在發生。

隨著微服務（microservices）的出現，并且通過REST API 可以完美地連接這些微服務，現在有一種逐漸增強的趨勢，即，讓學習服務和機器學習算法能夠得到使用和再使用，而不是像以前那樣必須從頭開始重新設計。

舉個例子，Algorithmia 公司提供了一個算法交易平臺，任何智能的應用都能按需取用平臺上的算法。這些算法和模型與特定數據集的結合（使用條件限于特殊的vertical），就是我們所說的微智能。這些微智能可以完美地融入應用中。

2.每一個應用都會變得智能

如果你的公司還沒開始使用機器學習來監測異常，推薦產品或者預測客戶流失，你很快就會用到了。由于新數據的快速迭代、大量計算能力變得可用以及新的機器學習平臺門檻降低（不管是在大型的科技公司，比如亞馬遜、谷歌和微軟，或者初創企業），我們會看到越來越多的應用，它們能夠產生實時的預測，并且不斷變得更好。在過去六個月，我們所見到的所有100多個處于早期的初創企業中，超過90%都在計劃使用機器學習來提供更好的用戶體驗。

谷歌使用AI技術的軟件數量近年來大幅增加

3.黑箱不黑

在機器學習和人工智能的世界中，信任和透明絕對是至關重要的。

過去的一年間，有好幾個高調的機器學習和人工智能項目走到了聚光燈下，包括微軟的Tay，谷歌DeepMind 的AlphaGo，Facebook的聊天應用 M 以及各種各樣的聊天機器人。自然用戶交互界面的發展（聲音，對話和視覺）為我們提供了非常有意思的選擇和機會，讓人類可以與虛擬助手（蘋果的Siri，亞馬遜的Alexa，微軟的Cortana以及Viv）互動。

在我們與人工智能產品的交互中，也有一些令人煩惱的例子。比如，在Georgia Tech的一門線上課程結束時，學生們才發現一位與他們互動了一整個學期的助教Jill竟然是聊天機器人。

這一例子展現了技術和創新的神奇之處，同時，也引發了一些關于機器人、機器學習和人工智能的世界中信任和透明這方面規則的思考。

與人工智能相關的工作中，理解“是什么”背后的“為什么”通常是另一個比較關鍵的部分。對于醫生和病人來說，只告訴他們“有75%的概率觸發癌癥，需要使用某種藥物進行治療”，這還不夠，他們需要知道是什么信息讓機器得到了這一預測或者答案。

我們百分之百地相信，對于機器學習，接下來我們可以做到完全透明，我們還應該想清楚，這一技術的進步在道德上會有什么啟發，這會是我們生活中不可缺少的一部分，也是社會進步不可缺少的一部分。

4.人類依然不可或缺

關于我們該不該擔心人工智能會代替人類，接管世界這一話題，現在有許多討論。在自動化領域，機器學習和人工智能發揮著重要作用，并且獲得了巨大的進步。但是，可以肯定的是，在智能應用的開發中，我們仍然需要人類，來創造正確的，端對端的用戶體驗。

房屋買賣網站Redfin做了一個嘗試，把機器學習生成的推薦推送給用戶。這些機器生成的推薦比起用戶自行搜索和篩選的結果更能吸引用戶。不過，匹配率真正大幅度地提升是在Redfin讓中介對機器生成的推薦進行修正后再推送。Redfin能夠把中介對機器的推薦的修正作為額外的訓練數據，進而帶動推薦房源點擊量的大幅提升。

大數據平臺Splunk 也強調了這一點。如果僅靠機器，沒有人的參與，消費者很難從Splunk獲得最大的價值。

Spare5是一家搜集數據，以支持計算機視覺研究的公司，他們的例子也說明了人類在訓練機器學習模型中的作用：人類可以對要輸入模型中的數據進行修正和分類。

機器學習中另一個常見的格言是： garbage in, garbage out（輸入的是垃圾，輸出的也是垃圾）。也就是說，數據的質量和完整性對于建造高效的模型至關重要。

5.也不是從一開始就需要機器學習

在智能應用的開發中，機器學習是一個不可或缺的部分，也是至關重要的原料，但是，在智能應用的開發中，最關鍵的目標是建立能夠與你的用戶產生共鳴的應用和服務，創造一種簡單的方法，讓消費者可以使用你的服務，并且不斷做得更好。

要有效地使用機器學習和人工智能，最基本的要求是擁有大型的數據集。這一領域的成功人士的建議是：立即開始開發程序，把自己想要提供的東西拿來試驗，實驗的過程中，思考機器學習可以如何改進你的應用，你需要搜集什么數據？來為客戶創造最佳的體驗。

在讓每一個應用都變得智能的道路上，我們已經走了很遠，但是要做的還很多。正如艾倫人工智能研究院（Allen Institute for AI）的CEO Oren Etzioni所說，在人工智能和機器學習上，我們獲得了長足的進步，但是如果現在就宣布勝利，就好像“剛爬上樹頭便宣稱登上了月球”一樣。