無疑，人工智能和機器學習作為科技行業的熱點將延續至2018年。作為在機器學習方面有著豐富實戰經驗的解決方案提供商，Splunk 認為，2018年的人工智能和機器學習將呈現以下幾大趨勢：
一、人工智能和機器學習成為行業專屬
2018年，人工智能在機器學習的推動下，將為很多行業帶來可信的深刻洞見以及充滿希望的前景。
• 金融服務機構長期以來依靠數據驅動的決策來管理企業，滿足客戶需求，并保障他們的投資。更好的應用程序和改進的在線支付流程有助于提升客戶滿意度，但也同時造成新的攻擊途徑。具備機器學習能力的人工智能將越來越多地為這些企業提供識別欺詐和異常用戶行為的能力，并為客戶提供周密的建議來防御這些威脅。
• 醫療保健和生物技術公司通過大量數據了解影響人類健康的因素，并由此取得醫學上的進步。利用機器學習這一工具，生物學家和數據科學家能夠發現實驗室試驗中的異常情況，隨著時間變化更高效地評估實驗質量。例如，能夠更快的理解基因A和基因B之間的相關性，從而找到改變生命或者挽救生命的治療進程。
• Recursion制藥公司短短的三天內便在領先的機器數據供應商Splunk 幫助下收獲了價值。Recursion制藥公司首席運營官兼首席營銷官John Pereira表示：“Splunk進一步提高了Recursion制藥的可擴展能力和開發速度。采用Splunk基于數據攝取的方法，我們避免了數據使用超量，并準確地預測每月的賬單。Splunk的機器學習工具包為我們的運營團隊提供必要的工具，通過梳理評價指標對我們的運營情況進行深度分析，清洗大量的數據，實時了解正在發生事件的相關性。
• 在制造業中，一條復雜供應鏈上的一臺機器出現故障會嚴重損害生產能力，影響利潤率和競爭力。為使現代的連接的設備系統的各個組成部分正常運行，制造商們把所有時間花在設備的維護和同步工作上。利用具備機器學習能力的人工智能，企業可以在出現任何影響業務的故障之前，預測出哪些設備需要維修，以及應該在什么時候進行維修。
• 計算新聞學的興起將極大地影響全世界傳媒業的發展。2018年，我們將看到越來越多的記者與數據科學家合作。記者將轉向與人工智能、機器學習和自然語言處理(NLP)方面的專家進行合作，為當地、全國和全球的觀眾發掘他們最關心的有新聞價值的故事，揭示以前可能從未發現的問題。
• 最好的零售體驗是跨越網站、實體商店、客戶支持、移動應用程序和社交媒體，以客戶為中心的無縫互動。能夠提供這種全方位體驗的少數零售商是我們所關注的，我們也希望與他們建立情感聯系，確保我們的客戶忠誠度。具備機器學習能力的人工智能現在成為讓零售商脫穎而出的關鍵，使大型和小型企業都能夠更好地理解他們的客戶，并根據含有明顯因素(人口統計和購買歷史)以及更為模糊的因素(網絡使用模式和社會基本情況)的公式，提出有針對性的建議。關心客戶忠誠度的零售商會謹慎地使用機器學習。得到客戶的認可將成為一條新的黃金法則。
印度尼西亞7-Eleven營銷總監Budiasto Kusuma表示：“機器數據平臺Splunk通過靈活的數據分析和實時業務深度分析，避免了人工數據分析的麻煩，加速了數據處理過程，縮短了促銷計劃時間，同時降低了業務風險。這也使我們能夠緊跟生活潮流，實施一大批商業創意，作為印尼最受歡迎的便利連鎖店把我們的競爭優勢一直保持下去。”
二、人工智能和機器學習成為B2B的主流
Siri、微軟小冰、騰訊 Dreamwriter …….作為消費者，我們已經體驗到了人工智能對我們生活的影響。接下來，我們將看到 “開箱即用”式的人工智能和機器學習解決方案的企業應用情形。異常檢測、事件關聯和容量預測的應用情形?是的，由它們來接手。具備機器學習能力的人工智能將被用于預測各種很有意義的深度見解。
• 異常檢測：訪問大量的實時數據，帶來了在嘈雜的信息海洋中找出相關信號的額外負擔。無論是預測并防止關鍵IT基礎設施出現中斷，還是在數百萬人流中識別出一個不受歡迎的用戶，人工智能和機器學習都發揮了關鍵作用，也是最迫切需要的能力。
• 自動化：我們還沒達到這個層面，也許從來也沒想過要完全達到這個層面，但是應避免那些普通的任務，讓機器具備自我學習的能力，從而有希望取得更多的創新，同時提高生產效率，增加工作滿意度。正如幾十年前所預言的，現在是時候考慮機器與人類協同工作環境所產生的影響了。
Staples首席技術官Faisal Masud表示：“Staples使用Splunk Enterprise對關鍵業務的轉換進行實時分析——從訂單管理、產品計價，到倉儲，最終，讓我們的客戶有更好的體驗，始終領先于網絡競爭對手。Splunk的分析和評價指標幫助我們優化工作的方方面面，包括快速識別和糾正不合規的交易，這樣，客戶將得到最好的服務。Splunk Enterprise平臺是我們業務運營基礎的關鍵因素。”
三、機器會不斷學習
人工智能和機器學習的未來是光明，充滿希望的，畢竟還有很多領域等著我們去探索：
• 端到端人工智能。例如，先建立一個識別停車標志的模型，然后再建立能區分行人和汽車的模型。掌握了機器學習模型的端到端人工智能可以獲取系統所有狀態，然后輸出所需要的精確的行動，如右轉，加速，減速等等。
• 自我配置：從架構，到驗證直至訓練， 具備端到端的機器學習能力，而無需人為干預。
• 經過預先訓練的模型：經過預先訓練的開源機器學習模型庫，作為可重用的組件，應用于各種各樣的應用情形。例如，電信公司應用經過預先訓練的模型來檢測和預測客戶流失。無線提供商在客戶信息上結合使用一組類似的數據點——例如，計費計劃類型、客戶服務呼叫次數、語音和數據使用情況等。一旦為這類數據建立了經過預先訓練的模型，就可以與其他提供商共享，從而為整個行業創造價值。
• 面向物聯網的人工智能：傳感器設備不但日益商品化而且規模也越來越大，這將推動智能化產業的新一輪發展。智能設備、機械、車隊車輛等等，仍然需要管理。這些都需要修理和保養。 機器學習和物聯網相結合，意味著為大幅度提高網絡性能，延長正常運行時間以及更好的資源管理創造了需求和機會。
所以，可以肯定的一點是，2018年，人工智能和機器學習將繼續對我們的工作生活產生重大影響。
京公網安備 11010502049343號