在接受调查的 500 名 IT 人士中, 有 38% 的受访者提道 AI 为企业投资的主要焦点, 而物联网为 31%, 区块链则是以 10% 上榜. 物联网连接的设备通常会产生庞大的数据, 来训练机器学习 (ML) 模型.
在接受调查的公司中, 物联网的布局却比 AI 多, 因物联网和边缘计算 (edge computing) 行业现阶段较稳定, 而这样的基础稳健才可提高机器学习准确率, 成为 AI 必备的先决条件.
图像辨识能力 / 图: 剑桥大学
企业也希望让 AI 的投资最终可变现, 而非学术单位般的不停研究. 外媒 CIO 也提道, 如何将 AI 投资以正确商业化为导向, 为企业领导的重要任务.
另外, 在现今的时代背景, AI 运行的成本及难易度也大幅缩减. 不仅「平台为服务」(PaaS) 公司向企业们提供了较多可训练计算机的数据, 也使各设备的通用化 (interoperability) 程度提高. 再者, 大量成熟的机器学习图库及 API 更是降低了跨入 AI 的门坎.
随着支持 AI 和物联网的新技术降临, 企业组织必须坚持开发的重点, 已防止时辰范围蔓延导致无限期的开发周期. 为了达到里程碑的时间段, 留住人才变得越来越必要.
机器图像辨识能力 / 图: 剑桥大学
SADA 并呼吁, 围绕新兴技术的新闻, 会引发企业更愿意投资于新科技, 但是安全和隐私往往落后于技术的开发, 而投资新科技必定有资汛安全方面的隐忧, SADA 认为, 企业们如真的想要成为新兴技术的先驱者, 那么就不能忽视新兴科技的安全测试.
在牛津大学 2018 年的一份报告中, 研究人员就提道, AI 技术中只要有一个漏洞, 就可能会破坏机器学习的工作流程效率, 还会危及业务的营运, 若忽视了安全测试的重要性, 恐怕会得不偿失.
区块链早已从去年就吸引了科技媒体的大量关注, 但它在企业投资方面落后于物联网和 AI. 随着越来越多的企业开始分享区块链技和实际应用成功的案例, 未来这块领域的投资, 估计将与物联网和 AI 来相互竞争.