2019 年，全球 53% 的决策者宣布，他们已经建立了人工智能数据分析系统，该系统将在公司内部全面发展人工智能。以下是对 2020 年人工智能的预测。

这些结果是基于对财富 500 强企业的一项调查得出的。财富 500 强被认为是美国利润最高的公司。这项研究发现，近几年来，29% 的开发者从事人工智能和机器学习。研究结果来自 Forrester 的一项研究。

有关公司资讯科技部门百分之五十四的决定是由人工智能处理的，并产生预期的良好效果。

01 实现了特定过程的智能自动化。

Forrester 表示，500 强企业中有 25% 计划实施数百项智能过程自动化（IPA)。换句话说，人工智能被用于实现特定任务的自动化。

因此，作为人工智能实现的一部分，包括特定的自动化机器人任务。该公司尤其将使用文本分析和机器学习来处理输入的电子邮件和文档。实现自动响应或聊天机器人，模仿人类行为，并与互联网用户或客户（也称为会话代理）交谈。

02 会话代理

会话代理可以节省时间，特别是对于人力资源员工和 IT 团队。大数据需要特定的机器学习监控工具来处理。因此，我们需要创建一个算法程序来对数据进行分类。

03 分类算法

算法对数据的分类能力越强，人工智能就越能识别正常数据和异常行为数据，从而更快地发现问题，并及时采取必要的纠正措施。

04自动化过程投资

福雷斯特认为，自动化过程投资的增加在一定程度上是由于中国经济衰退所致。

中国经济衰退可能导致更高的利率，这不仅会抑制消费和投资，还会降低企业的市场价值。在科技企业中，市值下降尤为明显。科技企业的估值在很大程度上取决于长期利润的增长。

05定位自动化

企业希望发展这些自动化行业，以确保其服务的效率。报告还指出，这些自动化市场的转型速度也比需要长期投资的人工智能创新项目更快、成本更低。

人工智能基准，有竞争力的新武器

随着人工智能市场的不断增长，很难有一个公认的计算平台作为处理人工智能工作量最快、最可扩展和最便宜的平台。因此，行业基准应该发挥越来越重要的作用。

06计量基准

去年，MLPerf基准在竞争力方面脱颖而出。从NVIDIA(NVIDIA)到谷歌(Google)，所有参与者在这些测试中都表现良好。

到2020年，人工智能基准将成为营销策略的关键要素，随着时间的推移，这一领域将变得越来越普遍。

面对一定程度的怀疑，发展远未减弱。

Forrester指出了与使用人工智能相关的一些危险，例如社交网络上的一些算法产生的虚假信息，面部识别技术带来的大规模技术监视，以及人脸智能识别算法引起的"深度伪造"视频的扩散。

Forrester说："到2020年，所有这些都不会减少企业对人工智能的投资。这份报告将展示人工智能的重要性和必要性，并使人工智能的使用变得"透明"。

考虑数据源需求。

根据Forrester的说法，人工智能在公司中的植入必然会鼓励管理者采取必要措施，促进开发人员在机器学习方面的工作。在大多数情况下，公司会花费70%以上的时间来维护程序正常运行所需的所有数据。

SaaS模式的人工智能减少了对数据科学家的需求。

自去年以来，AWS、微软、谷歌、IBM和其他供应商提供的机器学习服务一直很强大。

随着人工智能趋势的升温，越来越多的商业用户将依赖这些云提供商来满足他们越来越多的人工智能需求。云提供商将减少在企业内雇用数据科学家的需求。

07SaaS 供应商和人工智能

到 2020 年年底，SaaS 提供商将成为自然语言处理、预测分析和其他人工智能应用的主要提供商。这些人工智能应用程序将包括平台服务和 DevOps 工具。

将继续实施人工智能项目的公司将进一步自动化数据科学家的角色，因此他们不需要雇佣新的机器学习建模师、数据工程师和技术支持人员。在接下来的十年里，大多数数据科学家将主要由 SaaS 和其他云提供商招聘。

持续研究和实验

每个企业的数字转换都希望找到最合适的学习模式。然而，学习模型需要在一个真实的环境中进行测试。MLModel 模型工具将帮助企业自动选择能够达到预期结果的测试和模型。

08 业务流程实践

到 2020 年年底，大多数公司将在所有业务流程中实施人工智能，包括与客户的接触和后端业务。

随着越来越多的企业向云提供商寻求人工智能工具，AWS 最近将建立新的业务迭代模型和跟踪模型。这些新特性将成为专业应用环境中 24/7-Ai 模型的规范。

09 Ai 的优秀实践

未来十年，基于人工智能的自动化和 DevOps 功能将成为人工智能业务流程中的最佳实践。

开发人员的工作由人工智能实现自动化。

神经网络是现代人工智能的核心。到 2020 年，企业数据科学家的工作计划将包括一种基于人工智能的新方法，称为神经结构研究（NeuralArchitecture Research)，旨在根据目标自动构建和优化神经网络。

随着神经结构的采用和改进，对神经结构的研究将提高数据科学家的生产率，帮助他们在现有机器学习算法（如线性回归和随机决策树算法）或任何最新和最先进的神经网络算法的基础上建立模型。

10 建立人工智能的端到端透明度。

人工智能正在成为企业应用中一个越来越重要的风险因素。随着企业因社会经济偏见、侵犯隐私和人工智能应用的其他不利影响而面临的诉讼激增，法律官员将需要对机器学习模型进行全面跟踪，以了解它们是如何建立、培训和管理的，以及它们在企业应用中的使用方式。

到 2020 年年底，大多数企业法律管理人员将要求他们的数据科学家团队自动记录机器学习过程的每一步，并以一种易懂的语言解释每个模型产生的自动推理。在未来 10 年里，人工智能项目的透明度将是获得资金的决定性因素。

在未来几年里，几乎所有的产品都需要基于人工智能和端到端的监管。尤其是使用个人身份信息的产品数量将有所增加。

除了越来越强调人工智能发展的透明度之外，现在就说这些未来的法规将对基础平台、工具和技术的发展产生什么影响还为时过早。但无论形势如何发展，这些监管措施似乎只会在未来得到加强。