Az adattudomány által támogatott ML-applikációk, ha pontosan betanítják őket, sokkal hamarabb képesek elvégezni a feladatokat, mint az emberek. Idén újabb fejlesztési trendek várhatók, amelyek közül a legfontosabbak a következők.
Apró ML. Az apró ML használata során a mikrokontrollerek a legfontosabbak. Ezek a technológiák képesek úgy összezsugorítani a mélytanulási hálózatokat, hogy azok bármilyen kis hardveres rendszerben elférjenek. Az újonnan beágyazott gépi keretrendszerek lehetővé teszik a nagy teljesítményű AI-IoT eszközök hatékony működését.
Quantum ML. Azt az interdiszciplináris területet nevezik így, ahol a kvantumszámítás keveredik a gépi tanulással. A kvantumtechnológiának ez az új jellemzője hatékonyan megkönnyíti például az űrkutatást, a nanorészecskék megértését és más fejlett kutatási területeken folyó munkát.
Auto ML. Ha olyan megoldások válnak hozzáférhetővé, amelyek nem támaszkodnak ML-szakértőkre és áthidalják a tudásbeli réseket, auto ML-ről beszélünk, amely egyszerűsítést kínál a gépi tanulási projekteken dolgozó adattudósok számára a sablonok használatával.
MLOps. Az MLOps eljárás az ML-megoldások olyan fejlesztésére fókuszál, hogy azokat a vállalatok a hatékonyság fokozása érdekében használhassák. Ennek során úgy automatizálják az adatmenedzsmentet és a nagyobb léptékű skálázást, hogy közben minimálisra szorítják vissza az emberi hibák lehetőségét.
Teljes körű mélytanulás. A Teljes körű mélytanulás (full stack deep learning) segít áthidalni a szakadékot az ML tanulófázisa és az AI-rendszerek valós világban történő bevetése között.
