Gartner洞察：Gartner预测人工智能技术的未来
Gartner高级总监分析师ChiragDekate表示:“尽管成功的可能性很大，但通过人工智能计划来发挥业务影响力所花费的时间要比预期的长得多。负责人工智能的IT主管意识到了‘AI试点项目悖论’，即启动试点项目看起来很容易，但要投入生产却是出了名的难。”
负责人工智能的IT主管必须制定基础架构战略，让人工智能试点项目能够演变为可扩展的生产AI，更重要的是，实现价值。随着AI工具和技术的快速发展，企业应该考虑以下五项预测，成功驾驭生产AI。
人工智能将推动基础架构决策
到2023年，AI仍将是推动基础架构决策的主要工作负载之一。要想更快速地将人工智能试点项目投入生产，企业需要特定的基础架构资源，这些资源应该随着技术的发展而发展。企业IT团队需要定期对AI模型进行改进，以确保高成功率。这可能包括规范数据管道或将机器学习模型与流数据源集成，以提供实时预测。
通过协作，管理日益复杂的人工智能技术
在边缘和物联网环境中利用机器学习或深度神经网络（DNN）等人工智能技术的最大技术挑战之一是数据和分析的复杂性。要想成功在这样的环境中部署生产AI，业务部门和IT部门需要紧密合作。当新的业务需求出现时，积极地规划并提供现成的解决方案——Gartner将这个概念称为基础架构主导的颠覆。
简单的机器学习技术有时最有意义
到2022年，超过75%的企业将在能使用传统机器学习技术的用例中使用DNN。成功的AI早期采用者利用实用的机器学习解决方案，交付业务价值。这些早期项目采用了传统的统计机器学习，但随着企业的发展，他们追求更先进的深度学习技术，以扩大人工智能的影响。对AI炒作信息进行筛选，了解能妥善解决业务问题的选项范围。选择简单但又精密的选项，而不是热门的选项。
将云服务提供商纳入您的战略
通过用战略方式使用云技术，如认知API、容器和无服务器计算，企业可以简化部署AI的复杂流程。到2023年，基于云的人工智能将比2019年增长5倍，使人工智能成为顶级云服务之一。容器和无服务器计算将支持机器学习模型成为独立的功能，从而降低成本和开销。
无服务器编程模型在公有云环境中特别有吸引力，因为它具有快速的可扩展性，但是IT主管应该确定哪些现有的机器学习项目能够从这些新的计算功能中获益。
不只是在表面采用AI增强自动化
鉴于企业必须管理的数据量越来越大，误报和无效问题优先化的数量也会增加。当谈到人工智能时，IT部门和业务部门往往没有共同语言，这对企业没什么帮助。
通过采用AI增强自动化，IT团队可以更好地学习AI技能，同时与周边业务部门更有效地合作。事实上，到2023年，40%的基础架构和运营团队将在大型企业中使用AI增强自动化，从而提高IT生产力、敏捷性和可扩展性。
本文在2019年2月13日发布的原始文章上进行了更新，以反映新的事件、状况或研究结果。
天气预报中的人工智能技术进展
与AI技术在其他领域的应用发展一样，天气预报中的AI应用也从计算机视觉技术应用起步。目前计算机视觉技术已在多普勒雷达图像智能识别和短临外推（一般为0~2小时）、卫星云图类型识别等方面广泛应用。日本九州大学的研究小组利用深度学习技术，开发了从全球云系统分辨率模型（NonhydrostaticIcosahedralAtmosphericModel，NICAM）气候实验数据中识别热带低压的方法，特别是夏季西北太平洋热带低压发生一周前的征兆。美国NWS已大力着手基于云的天气预报应用，并已启动了内部研究和发展计划（InternalResearch&DevelopmentProject，IP&D）提高天气预报能力。IP&D实现了针对灾害天气的实时数据挖掘，进而用于洪水预测。通过AI算法考虑过去已导致明显洪水灾害的区域，选出预报目标区，结合亚马逊网络云服务（AmazonWebServices，AWS），通过机器学习预测该目标区的洪灾可能性和严重程度，并通过AWS网页进行图形可视化调用。NWS还做了强风（阵风大于等于25.7m/s)实时预报，使用AI技术预测未来不同距离(风暴单元周围0、5和10km)和时间窗(未来0~15、15~30、30~45、45~60和60~90min)内出现大风的概率。数据集由MYRORSS（TheMulti-YearReanalysisofRemotelySensedStorms）质量控制的雷达图像、快速更新同化(RapidUpdateCycle，RUC)模型数据、1分钟气象机场报告(METARs;国家气候数据中心2006年)和NWS地区风暴报告等构成。MYRORSS的空间和时间分辨率分别为1km和5min,而RUC的分辨率为13km和1h。主要流程包括：首先，使用实时[28]和事后[33]方法对风暴细胞进行识别和跟踪。选取预测因子包括风暴运动(速度和方向)、风暴目标的形状参数(面积、方向和偏心)等；其次，通过对流允许模型(ConvectionAllowingModel，CAM)集成提供有关风暴强度、位置和演化的信息，并建立可预测冰雹发生概率和预测冰雹大小分布的机器学习模型。该模型已经在两个CAM集成系统上实时运行，并通过冰雹cast诊断[34]和风暴替代变量(updrafthelicity)[35]进行验证。其中，观测的冰雹由美国国家海洋和大气管理局(NationalOceanicandAtmosphericAdministration,NOAA)国家强风暴实验室(TheNationalSevereStormsLaboratory,NSSL)多雷达多传感器[36]给出的冰雹最大预期[37]确定。预报和观测到的风暴根据空间和时间上的接近程度进行匹配，从每个预报风暴的范围内提取描述风暴和环境变量的统计信息，并将其输入到机器学习模型中。这种方法与Clark等[38]通过干线（dryline）判断风暴的方法有异曲同工之妙。Google公司也将深度学习用于提供空间分辨率1km、时间分辨率1~3h的美国大陆雨雪预报。观测资料包括遥感和地面站，如GEO和LEO卫星，多普勒雷达、雨量站，地表和气候等信息。过去2h的历史数据主要包括：①8张GOES-16卫星图像（15min分辨率），②8张或更多的多普勒雷达图像（2min分辨率），③1张IMERG/GPMLEO卫星云图（每3h1张），④PRISM（Parameter-elevationRegressionsonIndependentSlopesModel）气候资料（当月的30年气候平均），⑤地形高度。输出包括未来3h雷达图像和/或雨量观测。与传统的深度学习方法相比，该方法考虑到卫星资料和雷达资料的观测时间差异，使用延时处理以使两者时间匹配。基于2018年和2019年数据的检验表明，该方法的3h预报性能高于数值预报方法。另一个典型的实例是，ProbSevere公司利用多雷达多传感器(Multi-Radar/Multi-SensorSystem，MRMS)的复合反射率(同时获得多个雷达的最大柱状反射率)实时识别和跟踪风暴[36]。该方法在识别时，使用了风暴附近环境以及风暴速度信息。训练标签是通过运行一个名为besttrack的事后风暴跟踪程序[33]。训练数据还对所有持续时间大于7200s的风暴进行了采样，产生了2872680个用于训练的样本。