圖片來(lái)自“億歐網(wǎng)”

以下是Matt Turck(美國(guó)早期基金FirstMark合伙人)總結(jié)的2019年大數(shù)據(jù)及AI領(lǐng)域的主要發(fā)展趨勢(shì)。他從基礎(chǔ)設(shè)施、分析以及應(yīng)用層面分別闡述了主要發(fā)展趨勢(shì)，希望能給大家?guī)?lái)思考。

基礎(chǔ)設(shè)施層面的趨勢(shì)

第三波浪潮 從Hadoop到云服務(wù)再到Kubernetes

數(shù)據(jù)治理、數(shù)據(jù)編目、數(shù)據(jù)沿襲：數(shù)據(jù)管理的重要性與日俱增

專用于AI的基礎(chǔ)設(shè)施的崛起

數(shù)據(jù)基礎(chǔ)設(shè)施一直保持快速進(jìn)化狀態(tài)。這個(gè)速度保持了很多年，近期有加速進(jìn)化的趨勢(shì)，主要經(jīng)歷三個(gè)階段：從Hadoop到云服務(wù)再到Kubernetes環(huán)境。

誕生于2003年10月的Hadoop可以算得上大數(shù)據(jù)領(lǐng)域的“鼻祖”。Hadoop是一個(gè)使用計(jì)算機(jī)網(wǎng)絡(luò)對(duì)大量數(shù)據(jù)進(jìn)行分布式存儲(chǔ)和處理框架，在數(shù)據(jù)生態(tài)系統(tǒng)的爆炸式發(fā)展中發(fā)揮了絕對(duì)核心的作用。 然而，在過(guò)去的幾年里，宣布Hadoop死亡已經(jīng)成為行業(yè)觀察家們的常態(tài)。隨著Hadoop供應(yīng)商遇到各種各樣的麻煩，這一趨勢(shì)今年進(jìn)一步加速。在撰寫(xiě)本文時(shí)，MapR已經(jīng)處于關(guān)閉的邊緣，也有可能已經(jīng)找到了買(mǎi)家。最近剛剛完成52億美元合并的Cloudera和Hortonworks在6月份經(jīng)歷了艱難的一天，由于令人失望的季度收益，股價(jià)暴跌了40%。Cloudera已經(jīng)發(fā)布了多款云計(jì)算和混合產(chǎn)品，但目前還沒(méi)有正式對(duì)外售賣(mài)。

由于來(lái)自云平臺(tái)的競(jìng)爭(zhēng)，Hadoop正面臨越來(lái)越大的阻力。Hadoop是在云沒(méi)那么完備的時(shí)候開(kāi)發(fā)的，大多數(shù)數(shù)據(jù)是在本地的，那時(shí)網(wǎng)絡(luò)延遲是瓶頸，將數(shù)據(jù)和計(jì)算放在一起很有意義。但這一切已經(jīng)改變了。

然而，Hadoop不太可能很快消失。它的發(fā)展可能會(huì)放緩，但它在企業(yè)間的部署規(guī)模之大，將使其在未來(lái)幾年保持慣性和生命力。

無(wú)論如何，向云的轉(zhuǎn)變顯然正在加速。有趣的是，在我們與《財(cái)富》1000強(qiáng)企業(yè)高管的交談中，2019年似乎是一個(gè)真正的轉(zhuǎn)變。在過(guò)去的幾年里，討論云的很多，但真正的行動(dòng)都是本地部署，尤其是在受監(jiān)管的行業(yè)?，F(xiàn)在《財(cái)富》雜志1000強(qiáng)企業(yè)的許多高管都在積極轉(zhuǎn)向云計(jì)算，其中有一部分活動(dòng)涉及從傳統(tǒng)的微軟商店轉(zhuǎn)向Azure。

因此，盡管云提供商的規(guī)模已經(jīng)非常龐大，但它們?nèi)栽诶^續(xù)快速增長(zhǎng)。2018年，AWS實(shí)現(xiàn)收入257億美元，比2017年175億美元增長(zhǎng)46.9%。微軟Azure的收入沒(méi)有單獨(dú)披露，但在截至2019年3月的季度中同比增長(zhǎng)了73%。雖然這不是一個(gè)完美的對(duì)比，但是AWS的收入在同季度同比增長(zhǎng)了41%。

隨著云計(jì)算應(yīng)用的深入，客戶開(kāi)始對(duì)成本望而卻步。在世界各地的董事會(huì)會(huì)議室里，高管們突然注意到一個(gè)曾經(jīng)很小的賬目：他們的云賬單。云計(jì)算確實(shí)提供了敏捷性，但它通常會(huì)帶來(lái)很高的成本，尤其是當(dāng)客戶的注意力離開(kāi)計(jì)價(jià)器或者無(wú)法準(zhǔn)確預(yù)測(cè)他們的計(jì)算需求時(shí)。像Adobe和Capital One等AWS客戶，他們的云賬單在2017年至2018年的短短一年里增長(zhǎng)了60%以上，達(dá)到了2億美元以上。

成本，以及對(duì)供應(yīng)商鎖定的擔(dān)憂，加速了向混合方法的發(fā)展，包括公共云、私有云和本地部署的組合。面對(duì)眾多的選擇，企業(yè)將越來(lái)越多地選擇最適合自己的工具來(lái)優(yōu)化績(jī)效和經(jīng)濟(jì)效益。隨著云提供商更加積極地實(shí)現(xiàn)差異化，企業(yè)開(kāi)始采用多云策略，利用每個(gè)云提供商最擅長(zhǎng)的領(lǐng)域。在某些情況下，為了優(yōu)化經(jīng)濟(jì)效益，最好的方法是將一些工作負(fù)載保留(甚至是調(diào)回)在本地，特別是對(duì)于非動(dòng)態(tài)工作負(fù)載。

有趣的是，云提供商正在適應(yīng)企業(yè)計(jì)算能力向混合環(huán)境發(fā)展的現(xiàn)實(shí),像AWS會(huì)提供類似于AWS前哨的工具，允許客戶進(jìn)行本地計(jì)算和存儲(chǔ)的同時(shí)，還能將本地負(fù)載與AWS云上其他程序無(wú)縫集成。

在這個(gè)新的多云和混合云時(shí)代，Kubernetes無(wú)疑是冉冉升起的巨星。Kubernetes是谷歌于2014年推出的一個(gè)用于管理容器化工作負(fù)載和服務(wù)的開(kāi)源項(xiàng)目，它正經(jīng)歷著與Hadoop幾年前同樣的熱情，有8000名與會(huì)者參加了KubeCon活動(dòng)，還有源源不斷的博客文章和播客。許多分析師認(rèn)為，RedHat在Kubernetes世界的重要地位，在很大程度上促成了IBM以340億美元的大規(guī)模收購(gòu)。Kubernetes的前景是幫助企業(yè)實(shí)現(xiàn)跨環(huán)境運(yùn)行工作負(fù)載，企業(yè)的混合環(huán)境會(huì)包括數(shù)據(jù)中心、私有云以及一個(gè)或多個(gè)公共云。

Kubernetes作為一個(gè)特別適合管理復(fù)雜、混合環(huán)境的編制框架，也越來(lái)越成為機(jī)器學(xué)習(xí)的有吸引力的選項(xiàng)。Kubernetes使用相同的基礎(chǔ)設(shè)施服務(wù)于多個(gè)用戶，使得數(shù)據(jù)科學(xué)家不必成為基礎(chǔ)設(shè)施專家，就能夠靈活地選擇他們喜歡的任何語(yǔ)言、機(jī)器學(xué)習(xí)庫(kù)或框架，并訓(xùn)練和擴(kuò)展模型，允許相對(duì)快速的迭代和強(qiáng)大的重現(xiàn)性。Kubeflow是為Kubernetes開(kāi)發(fā)的機(jī)器學(xué)習(xí)工具包，它的發(fā)展勢(shì)頭迅猛。

Kubernetes相對(duì)來(lái)說(shuō)還處于起步階段，但有趣的是，因?yàn)閿?shù)據(jù)科學(xué)家可能更喜歡Kubernetes的整體靈活性和可控性，上述情況可能標(biāo)志著一種遠(yuǎn)離云機(jī)器學(xué)習(xí)服務(wù)的進(jìn)化。我們可能正在進(jìn)入數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)基礎(chǔ)設(shè)施的第三個(gè)范式轉(zhuǎn)變，從Hadoop(直到2017年?)到數(shù)據(jù)云服務(wù)(2017-2019)，再到一個(gè)由Kubernetes和下一代數(shù)據(jù)倉(cāng)庫(kù)(比如Snowflake)主導(dǎo)的世界(2019-?)。

這種演變的另一面是復(fù)雜性的增加。當(dāng)然，這里會(huì)有一個(gè)綜合平臺(tái)的機(jī)會(huì)。平臺(tái)會(huì)抽象并簡(jiǎn)化對(duì)大量云底層基礎(chǔ)設(shè)施的操控，讓更廣泛的數(shù)據(jù)科學(xué)家和分析師群體更容易訪問(wèn)這個(gè)美麗的新世界。

盡管角度不同，Serverless模式就是這種簡(jiǎn)化的一種嘗試。這種執(zhí)行模型允許用戶編寫(xiě)和部署代碼，而無(wú)需擔(dān)心底層基礎(chǔ)設(shè)施。云提供商處理所有后端服務(wù)，客戶根據(jù)實(shí)際使用情況的付費(fèi)。在過(guò)去的幾年里，Serverless模式無(wú)疑是一個(gè)重要的新興主題，這也是我們?cè)诮衲甑腄ata&AI領(lǐng)域中增加的新品類。然而，將Serverless模式應(yīng)用于機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)仍有較多工作要做，像Algorithmia和Iguazio/Nuclio這樣的公司是早期進(jìn)入者。

數(shù)據(jù)環(huán)境日益混合的另一個(gè)后果是，企業(yè)需要加大努力來(lái)獲得對(duì)數(shù)據(jù)的控制。

目前的數(shù)據(jù)環(huán)境非常復(fù)雜，有些位于數(shù)據(jù)倉(cāng)庫(kù)、有些位于數(shù)據(jù)湖、有些位于各種其他數(shù)據(jù)源，跨越本地部署、私有云和公共云，那應(yīng)該如何查找、管理、控制和跟蹤數(shù)據(jù)?這包含各種相關(guān)的形式和名稱，包括數(shù)據(jù)查詢、數(shù)據(jù)治理、數(shù)據(jù)編目和數(shù)據(jù)沿襲，所有這些都越來(lái)越重要和突出。

在混合環(huán)境中查詢數(shù)據(jù)本身就是一個(gè)挑戰(zhàn)，其解決方案要符合存儲(chǔ)和計(jì)算分離的總體趨勢(shì)。

數(shù)據(jù)治理是另一個(gè)迅速成為企業(yè)首要考慮的領(lǐng)域。數(shù)據(jù)治理的一般思想是管理數(shù)據(jù)，并確保整個(gè)數(shù)據(jù)生命周期(涉及數(shù)據(jù)有效性、完整性、可用性、一致性和安全性)的高質(zhì)量性。值得注意的是，在2019年初，Collibra進(jìn)行了一輪1億美元的融資，估值超過(guò)10億美元。

數(shù)據(jù)編目是數(shù)據(jù)管理的另一種日益重要的手段。有效的數(shù)據(jù)編目是綜合企業(yè)各種數(shù)據(jù)資產(chǎn)的字典。它們幫助用戶(包括數(shù)據(jù)科學(xué)家、數(shù)據(jù)分析師、開(kāi)發(fā)人員和業(yè)務(wù)用戶)能夠自助發(fā)現(xiàn)和使用數(shù)據(jù)。

最后，數(shù)據(jù)沿襲可能是最新出現(xiàn)的數(shù)據(jù)管理類別。數(shù)據(jù)沿襲的目的是捕獲跨企業(yè)的“數(shù)據(jù)之旅”。它幫助公司弄清楚數(shù)據(jù)在其生命周期中是如何被收集、如何被修改以及如何被分享的。許多因素推動(dòng)了這一領(lǐng)域的增長(zhǎng)，包括合規(guī)、隱私和倫理的重要性日益增加，也包括對(duì)機(jī)器學(xué)習(xí)管道和模型的可重復(fù)性和透明度的需求。

今年一直在加速發(fā)展的最后一個(gè)關(guān)鍵趨勢(shì)，是AI專用基礎(chǔ)設(shè)施的不斷涌現(xiàn)。

管理人工智能管道和模型的需求導(dǎo)致了MLOps(或AIOps)領(lǐng)域的快速增長(zhǎng)。為了呼應(yīng)這種新趨勢(shì)，今年的Landscape里面，我們添加了兩個(gè)新的框，一個(gè)名為基礎(chǔ)設(shè)施(各種早期創(chuàng)業(yè)公司包括Algorithmia、Spell、 Weights&Biases等等)，一個(gè)名為開(kāi)放源碼(各種各樣的項(xiàng)目，通常相當(dāng)早，包括Pachyderm、Seldon、Snorkel、MLeap等等)。

ML工程師需要能夠運(yùn)行實(shí)驗(yàn)并快速迭代，在需要時(shí)訪問(wèn)如GPU等資源。在我們的Data Driven NYC活動(dòng)中，我們介紹了一些早期初創(chuàng)公司，它們提供了諸如Spell、Comet、Paperspace等基礎(chǔ)設(shè)施。

隨著GPU數(shù)據(jù)庫(kù)的崛起和新一代人工智能芯片(Graphcore、Cerebras等)的誕生，人工智能對(duì)基礎(chǔ)設(shè)施產(chǎn)生了深遠(yuǎn)的影響。人工智能正迫使我們重新思考計(jì)算的本質(zhì)。

分析層面發(fā)展趨勢(shì)

商業(yè)智能(BI)正在整合

企業(yè)AI平臺(tái)是一個(gè)趨勢(shì)

橫向人工智能仍然非常活躍

在商業(yè)智能領(lǐng)域, 正如前面提到的，過(guò)去幾個(gè)月的明顯趨勢(shì)是大量整合,包括Tableau、Looker、Zoomdata和Clearstory的收購(gòu)，以及SiSense和Periscope的合并。因?yàn)閿?shù)據(jù)可視化和自助分析服務(wù)有大量的供應(yīng)商，BI中的整合在某種程度上是不可避免的。每個(gè)供應(yīng)商，無(wú)論大小，都面臨著多樣化和擴(kuò)展能力的壓力。對(duì)于云收購(gòu)商來(lái)說(shuō)，這些新產(chǎn)品線肯定會(huì)增加收入，但更重要的是，它們擁有附加功能，能夠幫助云收購(gòu)商的核心平臺(tái)產(chǎn)生更多收入。

BI未來(lái)會(huì)有更多的整合嗎?微軟在Power BI方面擁有強(qiáng)大的地位，但當(dāng)整個(gè)細(xì)分市場(chǎng)整合并且每家公司都有效參與時(shí)，并購(gòu)市場(chǎng)可能會(huì)有自己的動(dòng)態(tài)。AWS就可能需要更強(qiáng)的產(chǎn)品，考慮到它的QuickSight BI通常被認(rèn)為有點(diǎn)落后。

隨著B(niǎo)I的整合，數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)平臺(tái)領(lǐng)域的熱度持續(xù)上升。在企業(yè)中部署ML/AI是一種巨大的趨勢(shì)，這個(gè)趨勢(shì)目前還處于早期階段，各種參與者都在爭(zhēng)先恐后地構(gòu)建平臺(tái)。

對(duì)于該領(lǐng)域的大多數(shù)公司來(lái)說(shuō)，明確的目標(biāo)是促進(jìn)ML/AI的民主化，也就是讓更大的用戶群體和更多的公司獲利于ML/AI。目前人才短缺仍然是ML/AI廣泛采用的主要瓶頸。然而，不同的玩家有不同的策略。

一種方法是AutoML。它涉及到自動(dòng)化機(jī)器學(xué)習(xí)的整個(gè)生命周期，包括一些最乏味的部分。根據(jù)產(chǎn)品的不同，AutoML將處理包括特征生成和工程，算法選擇，模型訓(xùn)練、部署和監(jiān)視等各種任務(wù)。DataRobot是AutoML專家，自2018年以來(lái)，該公司已籌集了1億美元的D輪融資(據(jù)稱自那以后還籌集了更多)。

該領(lǐng)域的其他公司，如Dataiku、H20和RapidMiner，提供具有AutoML功能的平臺(tái)，但也提供更廣泛的功能。以Dataiku為例, 自2018年以來(lái)，成功融了C輪1.01億美元。它的整體思路是賦能整個(gè)數(shù)據(jù)團(tuán)隊(duì)(包括數(shù)據(jù)科學(xué)家和數(shù)據(jù)分析師)，使得整個(gè)生命周期的數(shù)據(jù)處理簡(jiǎn)單而有趣。

云提供商當(dāng)然很活躍，包括微軟的Learning Studio、谷歌的cloud AutoML和AWS Sagemaker。盡管云提供商很強(qiáng)大，但這些產(chǎn)品的定位比較窄——通常很難使用，而且主要針對(duì)技術(shù)含量很高的高級(jí)用戶。它們還處于萌芽階段。據(jù)報(bào)道，亞馬遜的云機(jī)器學(xué)習(xí)平臺(tái)Sagemaker在2018年開(kāi)局緩慢，僅向商業(yè)領(lǐng)域銷(xiāo)售了1100萬(wàn)美元。一些云提供商正積極與該領(lǐng)域的專業(yè)第三方合作：微軟參與了Databricks的2.5億美元的E輪投資，這或許是未來(lái)收購(gòu)的前奏。

除了企業(yè)人工智能平臺(tái)，橫向人工智能領(lǐng)域(包括計(jì)算機(jī)視覺(jué)、NLP、語(yǔ)音等)繼續(xù)令人難以置信地充滿活力。主要趨勢(shì)如下：

NLP領(lǐng)域的重大改進(jìn)，特別是通過(guò)轉(zhuǎn)移學(xué)習(xí)的應(yīng)用(其中包括基于大量的數(shù)據(jù)訓(xùn)練模型，將其這模型通過(guò)移植和微調(diào)的方式用于解決某個(gè)特定的問(wèn)題)，讓它使用較少的數(shù)據(jù)就能工作：例如ELMO，ULMFit，最重要的還有谷歌的BERT。

業(yè)界為了用更少的數(shù)據(jù)實(shí)現(xiàn)人工智能做出了更多努力，包括單樣本學(xué)習(xí)(one-shot learning)。

深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)相結(jié)合。

生成式對(duì)抗網(wǎng)絡(luò)(GAN)的持續(xù)進(jìn)展。

應(yīng)用層面發(fā)展趨勢(shì)

企業(yè)部署ML/AI的階段已來(lái)

企業(yè)自動(dòng)化和RPA的興起

在這個(gè)階段，我們可能需要3到4年的時(shí)間來(lái)嘗試為企業(yè)構(gòu)建ML/AI應(yīng)用。

當(dāng)然已經(jīng)有過(guò)一些遠(yuǎn)遠(yuǎn)早于現(xiàn)實(shí)的尷尬產(chǎn)品嘗試(第一代聊天機(jī)器人)和一些重大的營(yíng)銷(xiāo)聲明，特別是一些公司試圖改造現(xiàn)有產(chǎn)品實(shí)現(xiàn)ML/AI。

但是，我們已經(jīng)逐步進(jìn)入了ML/AI在企業(yè)中的部署階段，從好奇和實(shí)驗(yàn)到實(shí)際的生產(chǎn)使用。未來(lái)幾年的趨勢(shì)似乎很明顯：以一個(gè)給定的問(wèn)題為例，看看ML/AI(通常是深度學(xué)習(xí)，或其變體)是否會(huì)產(chǎn)生影響，如果是的話，構(gòu)建一個(gè)AI應(yīng)用程序來(lái)更有效地解決問(wèn)題。

此部署階段將以多種方式進(jìn)行。一些產(chǎn)品將由內(nèi)部團(tuán)隊(duì)使用上面提到的企業(yè)AI平臺(tái)來(lái)構(gòu)建和部署。其他的將是由不同的供應(yīng)商提供內(nèi)嵌人工智能能力的全棧產(chǎn)品，其中的人工智能部分可能在很大程度上對(duì)客戶是不可見(jiàn)的。還有一些將由提供混合產(chǎn)品和服務(wù)的供應(yīng)商提供。

當(dāng)然，現(xiàn)在還為時(shí)尚早。內(nèi)部團(tuán)隊(duì)通常從處理一個(gè)用例(例如客戶流失預(yù)測(cè))開(kāi)始，并開(kāi)始擴(kuò)展到其他問(wèn)題。許多構(gòu)建ML/AI應(yīng)用的初創(chuàng)企業(yè)仍在學(xué)習(xí)克服從研發(fā)到完全規(guī)?；\(yùn)營(yíng)的挑戰(zhàn)。

然而，成熟正在到來(lái)。在過(guò)去的幾年里，對(duì)于任何希望在實(shí)際應(yīng)用中部署ML/AI的人來(lái)說(shuō)，都需要大量的學(xué)習(xí)，關(guān)于技術(shù)可以做什么和不能做什么，我們開(kāi)始更好地理解機(jī)器和人之間任務(wù)的正確分配。人們從第一代人工智能應(yīng)用獲得不少經(jīng)驗(yàn)教訓(xùn)。例如，從用戶角度出發(fā)，下一代客戶服務(wù)聊天機(jī)器人在ML/AI與可配置性和透明性之間提供了更智能的組合。

展望未來(lái)，隨著ML/AI在高性能數(shù)據(jù)棧的支持下逐漸普及，我們是否看到了完全自動(dòng)化企業(yè)的曙光?

自從信息技術(shù)出現(xiàn)以來(lái)，企業(yè)就被信息孤島所困擾，各種系統(tǒng)和數(shù)據(jù)分散到各個(gè)部門(mén)，彼此之間無(wú)法溝通(這導(dǎo)致了大規(guī)模的系統(tǒng)集成服務(wù)行業(yè))，而人類充當(dāng)了兩者之間的“粘合劑”。當(dāng)前數(shù)據(jù)和系統(tǒng)日益集成、ML/AI有能力逐步將人類從某些功能中移除，企業(yè)完全有可能以一種日益自動(dòng)化、系統(tǒng)化的方式運(yùn)作。

例如，假設(shè)一個(gè)自動(dòng)化企業(yè)，需求的增加(ML預(yù)測(cè)出來(lái)的)自動(dòng)觸發(fā)供應(yīng)商訂單的增加，這將自動(dòng)記錄在財(cái)務(wù)系統(tǒng)中(財(cái)務(wù)系統(tǒng)可以自動(dòng)計(jì)算和支付補(bǔ)償津貼等);或者預(yù)期的需求下降會(huì)自動(dòng)觸發(fā)相應(yīng)的營(yíng)銷(xiāo)支出的增加等等。

在未來(lái)的世界里，企業(yè)不僅會(huì)成為完全自動(dòng)化的組織，最終還會(huì)成為自我修復(fù)和自治的組織。

然而，我們離那個(gè)階段還很遠(yuǎn)，今天的現(xiàn)實(shí)主要集中在RPA上。這是一個(gè)非常熱門(mén)的領(lǐng)域，像UI Path和Automation Anywhere這樣的領(lǐng)先者增長(zhǎng)得非常快，并且籌集了大量資金。

RPA是機(jī)器人過(guò)程自動(dòng)化的簡(jiǎn)稱(盡管可能令人失望的是，它沒(méi)有利用任何實(shí)際的機(jī)器人)，涉及到通常非常簡(jiǎn)單的工作流，通常是手工的(由人類執(zhí)行)和重復(fù)的，并由軟件替代它們。許多RPA發(fā)生在后臺(tái)辦公室功能中(例如，發(fā)票處理)。

RPA是由企業(yè)數(shù)字轉(zhuǎn)型的浪潮推動(dòng)的，尤其是在過(guò)去幾年里，數(shù)字轉(zhuǎn)型一直在加速。一些RPA的領(lǐng)先企業(yè)已經(jīng)存在多年了(UiPath成立于2005年)，但是當(dāng)數(shù)字轉(zhuǎn)換成為日常話題時(shí)，“突然”受到了歡迎。RPA還提供了一個(gè)強(qiáng)大的ROI，因?yàn)樗膶?shí)現(xiàn)可以直接與人類執(zhí)行相同任務(wù)的成本進(jìn)行比較。RPA對(duì)技術(shù)服務(wù)巨頭也非常有吸引力，因?yàn)樗婕按罅康膶?shí)現(xiàn)服務(wù)(需要實(shí)現(xiàn)無(wú)數(shù)不同的工作流配置);因此，RPA初創(chuàng)公司從與這些大型服務(wù)公司的強(qiáng)大合作關(guān)系中獲益。

也許有理由懷疑RPA。一些人認(rèn)為這在很大程度上是不明智的“創(chuàng)可貼”，或者是某種權(quán)宜之計(jì)——采用由人類執(zhí)行的低效工作流，讓機(jī)器來(lái)完成。從這個(gè)角度來(lái)看，RPA可能只是在創(chuàng)建下一層技術(shù)債。隨著周?chē)h(huán)境的變化，除了導(dǎo)致需要更多的RPA將舊任務(wù)重新配置到新環(huán)境之外，自動(dòng)化的RPA功能會(huì)發(fā)生什么變化還不清楚。至少在這個(gè)階段，RPA更多的是關(guān)于自動(dòng)化而不是智能，更多的是基于規(guī)則的解決方案而不是人工智能(盡管一些RPA供應(yīng)商在營(yíng)銷(xiāo)材料中加強(qiáng)了他們的人工智能能力)。

RPA應(yīng)該與智能自動(dòng)化區(qū)分開(kāi)來(lái)，智能自動(dòng)化是以ML/AI為核心的新興領(lǐng)域。智能自動(dòng)化也以企業(yè)流程和工作流為目標(biāo)，但是它更以數(shù)據(jù)為中心，而不是以流程為中心，并且最終能夠?qū)W習(xí)、改進(jìn)和治愈。

智能自動(dòng)化的一個(gè)例子是智能文檔處理(ADP)，這是一個(gè)可以利用ML/AI來(lái)理解文檔(表單、發(fā)票、合同等)的類別，其水平與人類相當(dāng)或更好。

在未來(lái)幾年觀察這些領(lǐng)域?qū)⑻貏e有趣，RPA和智能自動(dòng)化有可能通過(guò)并購(gòu)或推出新的本土產(chǎn)品進(jìn)行合并，除非后者的進(jìn)展如此之快，限制了對(duì)前者的需求。