得益于真正的Web机器学习，人工智能的创造力将在2020年蓬勃发展

 
多年来，机器学习已经成为一种趋势，值得关注。但这有充分的理由在2020年的背景下进行讨论。这要归功于TensorFlow.js这样的开发：TensorFlow.js：一个端到端的开源机器学习库，该库能够除其他功能外直接运行经过预先训练的AI在网络浏览器中。
为什么兴奋?这意味着AI正在成为网络中更完整的一部分。一个看似微小而令人讨厌的细节，可能会产生深远的影响。
当然，我们已经有了使用AI的大量网络工具的示例：语音识别，情感分析，图像识别和自然语言处理不再是天壤之别。但是这些工具通常将机器学习任务卸载到服务器，等待它计算，然后将结果发送回去。
对于可以原谅小小的延迟的任务来说，这很好，很花哨(您知道这种情况：您用英语键入文本，然后耐心等待一两秒钟，将其翻译成另一种语言)。但是，这种浏览器到服务器到浏览器的延迟对于更复杂，更具创造力的应用程序来说是垂死的吻。
例如，基于脸部的AR镜头需要即时并连续跟踪用户的脸部，因此任何延迟都绝对不能进行。但是，延迟也是简化应用程序中的主要难题。
痛点
不久前，我试图开发一个网络应用程序，该应用程序通过手机的后置摄像头一直在寻找徽标。这样的想法是，当AI识别出徽标时，网站便会解锁。简单吧?您会这​​样认为。但是，即使这项看似简单的任务也意味着不断拍摄摄像机快照并将其发布到服务器，以便AI可以识别徽标。
必须以极快的速度完成任务，以使用户移动手机时不会丢失徽标。这导致每两秒钟从用户的手机上载数十KB。完全浪费带宽和整体性能杀手。
但是由于TensorFlow.js将TensorFlow的服务器端AI解决方案直接引入了网络，因此，如果我今天要构建此项目，我可以运行一个经过预先训练的模型，使AI在用户的手机浏览器中识别给定徽标。无需上传数据，检测每秒可以运行几次，而不是每两秒钟一次。
更少的延迟，更多的创造力
机器学习应用程序越复杂和有趣，我们就需要接近零延迟。因此，通过消除延迟的TensorFlow.js，AI的创意画布突然变宽了。 Google的实验计划很好地证明了这一点。它的人体骨骼跟踪和表情符号寻宝项目表明，当机器学习成为Web的适当集成部分时，开发人员将如何发挥更大的创造力。
骨骼跟踪特别有趣。它不仅提供了Microsoft Kinect的廉价替代方案，还直接将其引入了Web。我们甚至可以开发使用网络技术和标准网络摄像头对移动做出反应的物理装置。
另一方面，表情符号寻宝游戏展示了运行TensorFlow.js的移动网站如何突然意识到手机的用户上下文：它们在哪里，在他们面前看到什么。因此，它可以将结果显示的信息关联起来。
这也可能具有深远的文化含义。为什么?因为人们很快就会开始将移动网站理解为不仅仅是“数据提供者”的“助手”。这是从Google Assistant和支持Siri的移动设备开始的趋势。
但是现在，由于有了真正的Web AI，一旦网站(尤其是移动网站)开始执行即时机器学习，这种将移动设备当作助手的倾向将变得根深蒂固。这可能会引发观念上的社会变化，人们将期望网站在任何给定的时刻都能够提供完全的相关性，而干预和指导却最少。
未来是现在
假设地说，我们还可以使用真正的Web AI开发适合人们使用方式的网站。通过将TensorFlow.js与Web Storage API结合使用，网站可以逐渐个性化其调色板，以更加吸引每个用户的偏好。该网站的布局可以调整为更有用。甚至可以对其内容进行调整，以更好地满足每个人的需求。和所有的飞。
还是想像一个移动零售网站通过摄像头观察用户的环境，然后根据其情况调整其产品?或是Google的房地美(Freddie Meter)等能分析您的声音的创意网络广告系列呢?
由于所有这些诱人的可能性都即将成为现实，很遗憾我们不得不等待很长时间才能找到合适的网络端机器学习解决方案。 再一次，正是由于移动设备上的AI性能不足，促使TensorFlow的产品开发（如服务器端TensorFlow-.js版本的前身）成为了Web的真正集成部分。 现在我们终于有了真正的Web机器学习的天赋，2020年很可能是开发人员释放其AI创造力的一年。