2021年机器学习的下一步是什么？

每年年底，停下来思考一下机器学习(ML)的趋势总是很有趣的，这种趋势已经出现了惊人的增长，尤其是在工具，资源和信息可访问性方面。

[[359687]]

作为PerceptiLabs视觉建模工具的开发人员，我们将始终关注这些趋势，并询问下一步将如何发展，因为我们将继续增强工具的功能。这样做意味着调查水晶球或黑匣子(取决于选择的工具)，以了解ML的未来前景。在最近进行了这项练习之后，以下是我们对2021年ML的三大预测(倒计时)。

尖端模型的可用性

排名第三的是可用的尖端模型的增长。随着ML的广泛采用，我们看到了开放访问模型的平行趋势。一个促成因素是大型ML公司正在不断提高模型性能的标准。他们之所以能够做到这一点，是因为他们拥有庞大而全面的数据集，可以在专门的ML从业人员团队的支持下训练模型。

许多中小型公司和组织希望利用这些高性能模型，但可能无法从头开始构建它们。因此，许多人正在转向迁移学习，以便他们可以在经过大量培训的这些模型的基础上，甚至重新利用这些模型。相反，许多确实有资源开发此类模型的大型企业已经意识到，他们仍然可以从外部对其模型所做的贡献中受益。

学生，业余爱好者和其他尝试ML的团体也使用开源和公共模型，其中一些人使用或贡献于这些模型来促进他们的职业发展。

更好的ML支持工具

在2021年的顶级ML预测中排名第二的是为ML实践者提供的更全面的工具支持。

仅仅生成一个可以做出相当不错的预测的ML模型已不再足够。当今的机器学习从业者要求模型具有可解释性，需要理解为什么要进行预测，也就是说，如果愿意，可以进入众所周知的黑匣子，然后决定是否应将模型投入生产。这在企业中经常要根据社会因素(包括道德，社会公正和公平)对预测进行仔细检查的情况下尤其重要。

模型卡的使用已成为模型开发的强大工具，我们希望它们在2021年变得更加普遍。从本质上讲，这些卡(实际上更像是设计文档)正式描述了模型的各个方面。它们的内容可以包括：

• 详细概述：概述了模型的用途。
• 规格：层/神经网络，输入和输出的类型。
• 后勤：作者，日期，其他文档的链接，如何引用模型，许可证。
• 预期用途：适用用途，领域限制等。
• 限制和注意事项：速度/准确性约束，道德和隐私问题，潜在的偏见等。
• 培训：数据源，测试环境和设备等。
• 目标和实际绩效指标：诸如预期与实际准确性之类的指标。

有关模型卡的一些很好的示例，请从MediaPipe中查看此收藏集。

另一个关键工具是可视化。在设计，培训甚至审计过程中可视化模型的能力本身就是非常宝贵的。这就是PerceptiLabs的亮点，因为它为TensorFlow提供了GUI和可视化API。

这些方面补充了模型卡，因为团队成员可以根据模型卡上指定的内容不断评估模型。有关其他信息，请查看TensorFlow概述以及PerceptiLabs如何使其更容易。

在PerceptiLabs，我们还在寻求超越具有支持解释功能的可视化功能。不久，我们将添加新的库，这些库不仅使您可以查看正在使用的数据，还可以洞悉该数据的哪一部分(例如，图像的某些部分，CSV数据的某些列等)。具有最大的影响预测。

边缘机器学习

最后，在您一直等待的时刻，我们对2021年的ML预测(鼓声)：边缘机器学习。

我们看到边缘推理的趋势正在增长，我们预计该细分市场将在2021年大幅增长。这有很多因素，包括物联网的增长以及对远程工作设备的更多依赖。但是，要对此趋势有所了解，最好将边缘推理与"面向云的ML"进行比较和对比，后者在面向企业的设备和消费类设备(例如Google Mini)中都可以找到。

支持云的ML可能会让人联想到可以访问互联网的微型设备的图像，这些设备会收集数据，将数据发送到云以进行推断，并且在某些情况下会在设备上接收数据(例如执行某些操作)。这样的部署对于许多情况(例如，对于检测欺诈的银行而言)是必要的，并且非常适合于可能不需要较长延迟的情况，需要第三方云托管的情况等。也就是说，5G的增长可能会使延迟成为过去。

但是，边缘设备正在迅速获得在边缘执行推理所需的处理能力。以Google的Coral为例，它具有板载张量处理单元(TPU)，并且可以处理众多IoT用例(例如，分析图像和语音)。通过将此类技术封装在一个小巧的外形中，现在就可以进行推理，而无需Internet连接和云后端。此设置还通过将所有收集的数据保留在设备上来增加安全性，这一方面在设备上得到了进一步增强。

从技术角度来看，此类部署通常需要更小的ML模型，这些模型可以快速转移并适合有限的嵌入式设备存储。一种流行的解决方案是在模型中使用量化(降低数值精度)来减小模型的大小。当然，确定正确的量化数量必须与不可避免的准确性降低保持平衡。有关更多信息，请查看我们的珊瑚手语教程，该教程演示在PerceptiLabs中的模型导出过程中使用全整数量化以将权重从32位浮点数减少到8位定点值，以及如何将模型加载到Coral开发板上。

结论

2020年是唱片业的一年，但将被铭记为即使是最艰巨的挑战也要克服的时代。我们希望认为这不仅适用于全球性事件，而且还适用于ML工具，资源和信息的演变和民主化。

虽然我们的主题是2020年，但我们今年的主要预测之一是MLOps的增长。MLOps可以按照MLOps：仅适用于机器学习的"运维"中所述的不同级别采用。

总体而言，这是值得反思的一年，我们期待看到我们对ML的预测在新的一年中得以实现。