许多人似乎认为人工智能正引领我们走向某种机器人启示录或梦幻般的技术乌托邦。作为一个New Relic我是一名从事人工智能项目的软件工程师，我对这些关于人工智能可能如何影响我们社会的恐惧和期望感兴趣。
我不相信我们会在短期内处于这两种情况。但在这些极端观点之间，存在着人工智能已经在现实世界中改善我们生活的各种方式。例如，人工智能已经祝福我们捕获99.9%的Gmail垃圾邮件多年来一直在我们的收件箱里。一个试点项目智能交通信号灯由AI驱动的车辆等待时间减少了40%。随着越来越多的行业尝试人工智能，它对我们日常生活的影响将继续增长。
那么，人工智能究竟在哪里?我们将走向何方?
人工智能以科学和工业的名义
虽然我们与人工智能的未来关系仍不确定，但我们可以通过观察人工智能事务的现状来为我们的思考打下基础。例如，最近我参加了学习表征国际会议(ICLR)在这里我收集了一些关于AI未来发展的有趣提示。
在不列颠哥伦比亚省温哥华举行的这次会议，近年来参加者的数量和提交的论文数量都呈指数增长，所以研究人员继续致力于让机器更智能也就不足为奇了。
在篇题为Zero-Shot视觉模仿，研究人员描述了他们开发的一项技术，该技术可以让机器人做到系一个结和在一个办公室经过单一的演示，没有具体的指导。在一个关于整数深度神经网络训练，与会者看到了如何自主自行车可以跟着人走在它自己的。
除了这些例子说明人工智能的进展，会议还揭示了人工智能的标准方法有一些严重的缺陷。事实上，一份报告指出，90%的机器学习研究人员都认为至少有一点再现性危机在这个领域。
即使人工智能继续进化，人类显然仍在许多领域占据上风。研究人员LabSix例如,打印了一只海龟的3D模型，骗过电脑，让电脑以为这是把步枪。
尽管如此，尽管机器可能仍然缺乏“一般智能”，但它们正变得越来越聪明和有能力，足以严重影响我们的社会，特别是通过影响经济。在一篇关于机器学习能做什么?劳动力的影响，麻省理工学院和国家经济研究局虽然我们可以期待自动化会有更多的变化，但不太可能在短期内普遍取代所有人类工人。他们表示:“机器不能完成人类能做的全部任务。”机器的决策能力“比人类的决策能力狭隘得多，也脆弱得多”。
该研究可应用于数字性能监测
虽然ICLR会议上提出的许多进展与数字性能监测和管理领域不一定相关，但有几个想法是相关的。约翰霍普金斯大学的研究人员利用时间序列数据在医疗保健领域进行了实验确定肺炎患者的死亡风险。同样的人工智能策略能够帮助DevOps团队让应用程序和主机顺利运行吗?尽管用例之间存在巨大的差异，但我认为这是一种真正的可能性。机器学习更关心数据的形状，而不是具体的内容。约翰斯·霍普金斯研究中使用的技术用于通用时间序列数据(New Relic的客户收集了大量数据)，并不关心数据是关于人还是机器。
或者a呢?新的人工智能技术学习如何更好地理解数据，以填补数据缺失的空白，并锐化用于生成复杂分布模型的数据样本中的数据模糊区域?这种技术可以帮助我们在监测盲点时进行异常检测或估算数据。
这对于New Relic的AI旅程意味着什么?
十多年来，监控解决方案亚博直播平台一直在收集和可视化软件数据，但随着系统变得越来越复杂，旧的技术不能总是跟上。像New Relic这样的工具现在可以在数百个互联主机和微服务上同时收集数据。在这种复杂程度下，将数据简单地扔到屏幕上，让用户从中筛选，以找到意义并确定适当的行动已经不够了。
当我们的客户在他们的软件中遇到事故时，他们可能会付出大量的时间、精力和潜在的利润损失。这些高风险要求对供应商进行更多的监控。我们的客户需要不断分析和搜索异常行为的智能系统，这样他们就可以做出预测，并将数据分类为动态组。这就是消费者很快就能从人工智能驱动的技术中看到的魔力。如果我们的机器能够承担分析的职责，我们就可以在最后一刻把事情交给我们的用户，只有人类的专业知识和决策才能满足需求，最大化我们的用户的效率。
New Relic已经在这方面取得了进展，我们从AI的第一步中学到了很多东西。我们在生态系统中内置了一些工具，可以判断事物是否正常运行。配置文件错误,例如,使用统计措施表面最显著偏离non-error事务的错误在你的应用概要文件提供视觉细节的差异为事件的频率值,显示你在哪里集中你的注意力,而无需手动点击所有的维度。动态基线报警允许用户基于特定应用程序指标的预测基线为该指标设置警报阈值。
我们仍在努力实现可靠的执行和预测准确性，以创建当前和未来复杂系统健康状况的开箱即用的全局视图。我们正在研究一些有希望的原型，并致力于推进AIOps。我们采用数据驱动的人工智能方法，在每一步都采取步骤与客户验证我们的想法。
我们在继续发展我们的数字化性能监控平台极大地提高我们用户的效率。我们诚邀您关注我们的进步，为我们精彩的未来做准备!
