Enthought 的首席运营官 Mike Connel 表示，超过 90% 的工业 AI 或 ML 项目可能无法在 2022 年实现其业务目标，因为无法解释他们在业务中的模型。可解释的人工智能（或 XAI）变得如此重要，因为它对许多企业构成了威胁，例如，产生有偏见的结果的模型。
业务的高级利益相关者将关注模型如何代表真实业务问题的问题，而不是如何对其进行编码。此外，企业对低代码 ML 模型开发的需求变得如此不可避免，因为开发一个模型可能是乏味和迭代的。近年来，自动化 ML（或 AutoML）发展得如此迅速。
( H2O 无人驾驶 AI 仪表板)
目前，开发 XAI 和 AutoML 的公司很少。最受欢迎的公司之一是 H2O.ai, Inc.。H2O.ai 将其服务命名为 Driverless AI。这项 AI 服务使数据科学家能够更快地开发机器学习模型，因为 AutoML 能够自动处理所有流程（从数据探索、模型选择和评估），并使用可视化为业务利益相关者解释模型。
这避免了机器学习是“黑盒”模型的观点。此外，谷歌在今年 5 月初发布的 Vertex AI 云平台中提供 XAI 作为堆栈。因此，这将不可避免地推动云中自动化和可解释的 ML 模型在来年更快的发展。 2.3D 人工智能将彻底改变自动驾驶汽车
自动驾驶或自动驾驶汽车是一种驾驶者很少或不需要控制的技术方案。这些汽车可能有传感器，可以对周围环境进行视觉感知，还有一个系统可以消化这些感官信息，以使用所谓的计算机视觉来控制运动。
如今，大多数自动驾驶汽车，例如配备 HW2.5 自动驾驶系统的特斯拉 Model X，都使用基于卷积神经网络算法的 2D 对象检测，即 YOLO（You Only Look Once）。
LiDAR 相机传感仪器捕获的周围环境图像仅将信息处理为 2D 对象（或无深度对象）。这可能会限制自动驾驶汽车做出自主决策的能力。
(2d和3d版本的无人驾驶汽车)
最近，出现了从2D 到 3D 单目场景理解的升级趋势。自 2017 年以来，至少有四种被称为 3D 边界框估计算法的算法试图处理这种运动，例如 Deep3DBox、FQNet、Shift R-CNN 和级联几何约束。
还有其他方法，例如 Pseudo-3D 方法。随着 2021 年 Tensorflow 3D 的出现，以 3D 方式学习周围物体的自动驾驶汽车的未来非常有前景。据福布斯报道，由于许多人使用 Tensorflow 进行深度学习，因此使用新的 3D 版本将非常容易。
对其他应用的影响以及在增强现实空间中保护历史建筑的影响也将在不久的将来显现出来。
在不久的将来，GAN 将登陆制造企业。最近，GAN 具有从 3D 渲染对象中学习并生成 3D 对象的能力。
在科学和技术术语中，这称为计算机辅助设计（或 CAD）。例如，来自 MIT CSAIL 的一组研究人员表明，GAN 可以学习将 3D 家具对象与 IKEA 包含家具照片的大型数据集区分开来。
然后，GAN 生成识别图像的 3D 渲染对象。这是一个巨大的突破，因为在计算机软件上手动进行 CAD 在制造业中是一个漫长而昂贵的过程。
( 图五：GAN 制作的宜家家具及其 3D 渲染对象的图像 )
此外，汽车行业将发现GAN 在设计车辆及其零部件方面的更多应用。Monolith AI 是一家总部位于英国的初创公司，是极少数在产品设计优化中尝试使用 GAN 的公司之一。
他们展示了如何将 GAN 应用于拓扑优化和无网格设计生成以产生新的汽车设计。该企业还实施 GAN 以生成无法通过 3D 打印生产的组件的 3D 对象，并解决这些组件的计算流体动力学 (CFD) 模拟。
随着GAN 在制造业中的这些应用，人工智能很可能在明年成为设计优化和增材制造过程中的主流。
虽然边缘计算正迅速成为许多企业的必备工具，但部署仍处于早期阶段。云计算和边缘原生业务流程将在 IT 领域占据更多的主导地位，并在商业世界中更加无处不在。
一些人认为人工智能管理将成为 IT 部门的责任。为了应对与可管理性、安全性和规模有关的边缘计算挑战，IT 部门将转向云原生技术。例如，作为容器化微服务的平台，Kubernetes 已经成为大规模管理边缘人工智能应用的主要工具。
那些在云端上使用 Kubernetes 的 IT 部门可以利用他们的经验来构建自己的边缘云原生管理方案。预期将会有更多的第三方和相关的服务被采用。
发表于 2022-12-1 17:52:18
