2022 年,疫情和供应链危机这类不利因素将持续,AI领域将会涌现各种新的用例和创新,以应对各项挑战,例如取得消费者对AI的信任,应用先进技术解决气候变化带来的问题等。基于此,IBM专家团队针对 AI 做出以下五大预测。
1.AI 将推动更为个性化的客户服务。
疫情期间,虚拟助理成为大型企业和政府机构的重要工具,它们不仅是传播信息的重要途径,我们还开始看到,通过自动化集成,虚拟助理能够完成诸如疫苗接种预约之类的工作流程和任务。
2022 年,随着 AI 对客户服务体验的影响持续加强,消费者将会发现,自己能够与心仪的零售商和服务提供商进行更为个性化的全方位互动。
个性化体验爆炸式增长的原因是什么?随着企业和政府机构开始使用数据经纬(Data Fabric) 架构,使得数据在整个企业范围的可视性和可用性增强,从而使企业和组织能够更轻松地访问更为全面的数据,并加以利用。
由于传感器、RFID 标签、计量表、致动器和 GPS 等设备源源不断地产生的数据流,仓库可以自我盘点库存,集装箱能够检测自己装载的物品,托盘能够在被放错位置时及时报错。
与此同时,预测性维护能够减少零部件和设备的更换需求,AI 可以分析风暴和野火的卫星图像……所有这些技术,都将在帮助企业和组织应对越来越频发的恶劣天气事件方面发挥关键性作用。
2.AI 将助力创造一个可靠、可持续的未来。
消费者、监管机构和股东都在给企业施加越来越大的压力,要求他们在可持续发展方面取得切实的成果。气候变化和极端天气事件也增加了供应链和业务运营的压力。
预计这些压力会在 2022 年持续增加,而 AI 可提供更准确的计量、数据收集与碳核算,并且提高预测能力和供应链弹性,将在帮助企业实现可持续性目标方面发挥关键作用。
企业将通过对AI 赋能的自动化进行投入,使支撑业务的系统可以更加快速和高效地运行,从而缓解供应链中断的问题。
3.2022 年是 5G 的关键之年。
5G 连接将极大推动各行各业的创新发展,包括流媒体、通信、先进机器人和制造等众多行业。当今的电信网络复杂程度高、变化速度快,导致基础设施的管理和控制极具挑战性。很明显,目前用于管理网络的工具、系统和方法根本不适合未来的网络。
为了推动 5G 连接在全球的普及,通信服务提供商开始使用 AI 赋能的自动化和网络统筹技术,来改善网络的控制与管理,打造更快捷的客户体验。
诸如网络切片之类的创新成果使企业能够为每个不同的设备设定与其网络用途相一致的服务级别,例如,用于支持自动驾驶汽车的 5G 连接要求延迟非常低,其高清摄像头则需要分配较高的带宽。
4.企业将应用 AI来更加有效地预测和防范 IT 问题。
2021 年,CIO的工作任务包括实现员工的远程工作,管理由此而产生的新型安全问题,理解现代应用所产生的爆炸性增长的数据,并让这些数据发挥作用,此外,他们还要负责监控员工和消费者日益青睐的数字解决方案、渠道和工具。
对那些有兴趣采用自动化技术的企业而言,这些状况不仅推动他们进一步采取措施,同时促使他们更积极主动地应用 AI来更好地预测 IT 问题——这就是所谓的 AIOps。
AIOps 支持企业 IT 团队主动管理复杂的工作环境,从而节省大量成本。
在 2022 年,与人工方式相比,AIOps 能够帮助 IT 团队更加快速而自信地诊断问题,把他们从繁重耗时的任务中解放出来,集中精力从事能为企业创造更高价值的工作。
“零信任”框架可供企业对其总体安全计划进行现代化改造,以适应其多变的业务环境中新出现的各种风险。随着企业不断增加其网络中终端的数量,并扩展其基础架构以包含基于云的应用和服务器,这种方法的重要性也与日俱增。
5.将持续关注安全问题。
为了推动 AI 继续发展,企业和组织需要赢得消费者的更大信任。
这需要从多方面入手,包括确保 AI 决策是可理解、可解释的,从而使消费者相信他们的个人数据始终受到保护,不会受到网络攻击。
随着企业和政府机构继续对网络安全进行投资,加大零信任方法的使用力度以进一步降低风险,AI 将在帮助他们更有效地发现和应对威胁方面,发挥更关键的作用。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。