人工智能生命周期工具
趋势9:集成的AI生命周期工具将推动企业范围内的标准化
人工智能生命周期包括从数据收集、数据分析、特征工程和算法选择到模型构建、调优、测试、部署、管理、监控和持续改进的反馈循环的各个阶段。因此，软件开发工具和过程在DevOps中是相当标准化的。然而，随着AI学科、框架和语言的广度和深度，需要专门的能力和专门的工具来管理AI项目开发的每个阶段。软件领域也相当分散，工具从大公司到小型初创公司都有。
根据我们与客户的互动，我们开始看到端到端人工智能生命周期开发工具的采用，包括H2O。企业中的ai、Kubeflow、MLflow;但是，还有很长的路要走，因为这些工具和管道的标准化工作仍在进行中。
人工智能生命周期工具
趋势10:通过模型交换实现模型共享和重用
从头创建一个人工智能模型需要大量的努力和投资，收集数据集，标记数据，选择算法，定义网络架构，建立超参数等。除了语言的选择之外，框架和库以及客户端的偏好等也因问题空间的不同而不同。
面对这些挑战，通过共享模型和确保模型跨环境的兼容性和可移植性，有一种方法来重用在整个社区中投入的工作是很重要的。
这就需要至少两种机制。一个是模型可以共享以供全球使用的地方。全局上下文可以是真正的全局的、跨企业的或企业内部的。目前，大多数现有的模型都是基本的，例如视觉目标检测和活动识别。然而，需要共享特定于医疗保健、金融、保险、能源等领域问题的模型和数据集。第二种机制是在特定类型的gpu或cpu上使用Python、TensorFlow和Cuda版本构建的模型需要兼容并可移植到PyTorch或其他框架、库和环境中。
开放神经网络交换(ONNX)是这样一种领先的开源模型交换，它使用ONNX模型动物园托管各种预训练模型。类似地，TensorFlow Hub和Model Zoo提供了由TensorFlow社区创建的各种数据集和模型。
