互联网上的大多数AI巨头都依赖于不断收集用户个人数据，用于建立和维护机器学习模型。这些模型通常是这些公司数据价值的核心，不仅为他们自己的服务提供建议、行为分析和洞察消费者，而且还提供相关的广告推荐。
然而，这种做法需要付出代价：第三方服务重复投放广告会产生过多的带宽和电量消耗，消费者会注意到后台应用程序正在进行的数据收集和分析会降低其互联网连接速度。而且，正如最近的许多案例所表明的那样，现在存在严重的隐私问题，过度收集数据以及个人数据暴露产生的风险。
集中化AI解决方案的主要风险
如今的AI解决方案在其整个生命周期中完全集中。从学习到部署和优化，当今的AI系统依赖于在明确信任边界下运行的集中化的权限，并控制实施特定AI解决方案所需的数据和资源。主要有以下三个风险。
富人越来越富裕问题
今天的集中化人工智能主要是拥有丰富数据集的大公司的特权。这些公司能够聘请昂贵的数据科学团队，开发模型，生成更多数据，丰富公司的数据集。这种恶性循环导致谷歌，苹果，Facebook和亚马逊等公司获得了前所未有的知识水平和对我们日常生活的影响。
分散的知识与集中化的AI摩擦
从认知的角度来看，获取知识本质上是一种分散的活动。在掌握任务时，我们本能地倾向于从不同来源获得输入。但是，我们坚持对当今大多数人工智能系统强加一个权威来源，这些系统始终导致有偏见和不完整的知识。
透明度，影响比率
集中式人工智能系统正在影响大型组织对其客户/用户的影响程度及其透明度的不成比例。在人类历史上从来没有人能知道这么多人没有义务对他们的知识保持透明。如果没有获得政治，只需比较政治活动在Google，Twitter或Facebook上发起的影响程度，即选举结果与普通人群了解这些公司如何处理数据和获取用户知识的程度。
在2019年，我们将看到以边缘AI形式出现的这些实践的替代方案：机器学习将发生在“靠近”用户的设备，如家庭路由器或本地数据聚合点上。这将采取不同的形式，包括本地学习（模型在本地训练）; 分布式或联合学习方法，全局训练的模型在本地优化和重新训练，而不将数据传输回云; 或合作学习方法，持续的区域数据有助于全球模型的训练。
这些方法旨在找到个人隐私，模型的复杂性和大小，个性化的数量以及模型对个体用户的过度拟合以及用户的资源（例如带宽，记忆和能量）之间的最佳平衡。由于它们的轻质特性和通过本地处理进行优化的能力，它们通常会得到较好的结果。而且，由于这些模型可以针对个人用户进行本地的个性化，因此分布式人工智能计算模型会表现出比集中化的全球机器学习模型更优的结果。这对于诸如活动识别或情绪检测之类的AI任务特别有用。
在接下来的一年里，我们将看到新的业务并形成理想的“边缘”解决方案。虽然该技术领先于经济学，但是边缘能够在不同的基于云服务，获得各种用户数据之间进行关联，这将为其提供市场优势。边缘个体的学习和拟合模型，如个人语音或个人活动识别，可以产生卓越的效果，边缘解决方案的经济效率将慢慢从集中化系统中剥离。
在2019年，我们将看到人工智能解决方案的战斗在集中式和分布式模型之间波动。通过创建新的交易，将带来不同类型设计的收入流。
工具，分析，数据和隐私的支付方式将出现新的机制，我们将找到在边缘为新服务交换数据的方法。获取该数据的那些实体将能够在首先创建它的边缘对服务进行回报。互联网将继续成为数据创新和机会的地方，但在2019年，它将找到比目前更有效和更公平的方式呈现。
网友评论