科技棱镜
视角一：增强人类
强大的基于数据的新工具正在彻底改变企业制定决策和配置人才的方式，并取得了广泛的积极成果。但这些技术也带来了道德和组织方面的挑战，负责任的企业需要谨记这些挑战。
科技棱镜未来技术趋势分析
机器学习（ML）和人工智能（AI）在各行各业获得了越来越广泛的应用，它们可以自动地执行数据处理任务，让人们有更多的时间充分利用自身的经验、创造力和直觉，因此机器学习和人工智能系统并不是在取代人类，而是在增强人类的才能。这些系统主要通过以下两种方式提高生产力：一是提供预测来辅助人类做出决策，二是实现决策的完全自动化。
越来越多的机器自主决策技术的应用可能会对我们的生活产生重大影响，并需要从伦理角度加以考量。这推动了针对可解释的人工智能（XAI）和更强的人工智能治理流程的研究，也引发了业界的关注。
- 对人工智能研究和应用的投资迅速增长。彭博社估计，在美国 2019 财年，民间在人工智能的支出增长了 22% ，而政府支出增长了近 70%。
- 就业市场出现了对机器学习、人工智能和数据专家的巨大需求。根据领英的数据，人工智能专家是 2020 年增长最快的工作类别。
- 机器学习/人工智能初创企业、专业产品和并购数量增长。截至本报告编写之时，Angle.co 在“机器学习初创企业”类别中，共列出了 5,711 家公司和 2,790 名投资者。
- 现有工作和角色正在发生变化。机械式任务正在逐步自动化，人类工作者获得机器辅助，得以从机械式任务中解放出来，自由地利用自己的经验和直觉来创造价值。例如，亚马逊宣布到 2025 年，将投入 7 亿美元帮助美国约 10 万名工作者从事更高技能的工作。
机会
人工智能工具和机器学习工具的快速发展主要将使企业在两个方面受益。对于员工而言，普通的重复性任务将实现自动化，这会促进其提高生产力，从而提高效益和产出。员工将能够更加自由地专注在那些需要人类的创造力和聪明才智的高价值活动上，例如开发新产品或进行服务创新。这将对员工士气和整体企业业绩产生积极的影响。
应用人工智能和机器学习可以减少不一致性和人为错误的概率，并缩短交付产品或服务的周转时间，从而显著提高客户满意度，最终提升客户留存率。企业还可以利用基于数据的解决方案深入了解和准确预测客户需求；不过，在此过程中，企业需要谨慎行事，确保尊重客户隐私，符合安全要求。
我们所看到的当前形势
值得关注的趋势：前三名
采纳
机器学习下的持续交付（CD4ML）
CD4ML 是一种软件工程方法，跨职能团队通过这种方法，基于代码、数据和模型，以小的增量构建机器学习应用程序，这些应用程序可以在短适应周期内，随时复现和发布。CD4ML 使企业能够安全可靠地构建治理、发布和更新机器学习模型所需的功能和流程，同时仍然能够响应机器学习环境中的变化和演进。
分析
可解释的人工智能（XAI）
XAI 指的是一套工具和方法，用来帮助人们理解机器学习模型得出相应结论的原理。这些工具通常适用于推理过程不透明的模型。随着机器学习模型应用于直接影响个人健康、权利和经济福祉的领域，如医疗保健、刑事审判和信贷决策，XAI 的作用变得日益重要。随着人们愈加深入理解人工智能对隐私和法规（如欧盟的《通用数据保护条例》[GDPR]）的影响，XAI 将可能会发挥更大的作用。
预测
脑机接口 （BCI）
利用 BCI 接口，用户仅仅通过大脑活动（通过脑电图 [EEG] 进行测量）即可与计算机进行交互。应用机器学习技术解析脑电波为 BCI 创造了新的使用场景，可以帮助人们在瞬间做出决定，极大地降低了这一领域的技术成本。
值得关注的趋势：完整矩阵
- 智能助理、智能代理和机器人
- 人工智能即服务
- 机器学习下的持续交付（CD4ML）
- 自然语言处理
- 人机协作
- 数据平台和实时分析
- 可穿戴设备
- 机器学习平台
- 计算机视觉
- 边缘终端上的机器学习/人工智能
- 计算语言学
- 人工智能驱动的交互体验
- 语音作为统一接口
- 数据质量测试自动化
- 在线机器学习
- 差分隐私
- 可解释的人工智能 (XAI)
- AutoML
- 劳动力自动化
- 尊重隐私的计算
- 去中心化数据平台
- 智慧城市
- 软件道德规范
- 人工智能辅助的软件开发
- 人工智能市场
- 联邦学习
- 脑机接口
- 道德框架
- 机器学习的因果推理
- 个性化医疗
- 健康长寿技术
- 渐进式神经网络
对采纳者的建议
- 建立对数据的信任。 采纳者应该为团队创建基于可用数据的人工智能模型。这就意味着数据必须是充分透明、准确和可靠的，这样团队才会通常相信任何由它作出的决定都是合理和明智的。
- 了解并沟通机器决策在哪些方面存在偏见和伦理问题。创建一个框架来跟踪记录您将要做出的敏感决策，描述您期望这些决策如何影响各个利益相关者，并说明您将如何发现潜在的意外后果。确保这些决策能够得到充分的解释，并可追溯到“源头”。
- 为当前的流程创建定量的基线度量。使用价值流分析等方法，对当前流程进行定量基准测量，以识别具有重大自动化机会的领域，这些是人工智能和机器学习产生最大潜在收益的地方。定期查看并更新这些信息，以衡量人工智能/机器学习运行的效果，并确保自动化始终是有针对性的，而不是所有问题的默认方案。
- 理解员工对“机器人将取代我们”的担忧。理解员工对“机器人将取代我们”的担忧，支持他们学习协同算法来开展工作，明确传达最终目的是让员工有更多精力从事更有意义的工作。为员工制定明确的过渡和职业发展计划，使他们不断成长，能够胜任由重复性任务自动化所带来的新岗位。
- 考虑人机协作是否有助于创造更多的客户价值。考虑人机协作是否有助于提供更多的客户价值，而不是将自动化纯粹视为取代人工和降低成本的一种方式。随着现有员工在单调事务上花费越来越少的时间，他们应该把对业务和客户的理解和洞见，用于有效地提升客户体验。对于一个团队而言，任何人工智能或机器学习解决方案是否适用的评判标准不应是提升内部效率，而应在于增加客户价值。
到2022年，企业将…
…随着人们对人工智能和机器学习技术的信心不断增强，企业不再将这些技术用于孤立的解决方案中，而是会将它们引入更多的核心业务功能。我们还发现，考虑到对员工、客户和整个社会的影响，企业在应用数据的方式上更加谨慎和有选择性，并且会采取措施确保这些系统更加透明。