在未來的產業(yè)布局中，云網融合、軟硬一體化，硬件智能化、軟件的泛化以及數(shù)據(jù)無處不在，基本是未來的趨勢。新一輪的信息科技基本都長在云上，未來大部分的科技也都在信息技術之上，這也是互聯(lián)網平臺最大的價值。當前，我們已經在智慧時代拐點，由巨大支撐的AI技術愈發(fā)成熟，強調計算能力在促進科技進步和社會發(fā)展中的重要價值和作用，強調算力變革改變未來人類生產和生活方式，成為賦能社會數(shù)智化轉型的基礎能源。
麥肯錫曾預測，到2030年全球有8億工作崗位被機器人（或AI）替代，一些崗位也將會發(fā)生重大變化。自動化和智能化對強管理屬性、強專業(yè)屬性和強溝通屬性影響較小。未來，用人需求將持續(xù)增長在醫(yī)療服務者、工程師、信息技術展業(yè)人員、管理者、教育工作者、創(chuàng)意工作者等人員中。各行各業(yè)都在加速著數(shù)字化，未來商業(yè)的語言似乎就是計算機程序，對自帶數(shù)字化基因的原生崗位需求也將迅速增長，具有“專業(yè)技能+數(shù)字化技能”復合型人才也將更具競爭力。
神經網絡今天已經變得非常流行，但仍然缺乏對它們的了解。一方面，我們已經看到很多人無法識別各種類型的神經網絡及其解決的問題，更不用說區(qū)分它們中的每一個了。其次，在某種程度上更糟糕的是，當人們在談論任何神經網絡時不加區(qū)分地使用深度學習這個詞而沒有打破差異。
在處理大量數(shù)據(jù)時，有必要將具有特征的空間壓縮為向量。一個例子是文本嵌入，它是幾乎所有 NLP 模型創(chuàng)建過程中不可或缺的一部分。不幸的是，使用神經網絡處理這種類型的數(shù)據(jù)遠非總是可能的——例如，原因可能是擬合或推理率低。
自從Vaswani 等人發(fā)表開創(chuàng)性論文“ Attention Is All You Need ”以來，transformer 模型已經成為 NLP 技術中的最新技術。從 NER、文本分類、問答或文本生成等應用，這項驚人技術的應用是無限的。
NLP 技術最有用的應用之一是從非結構化文本（合同、財務文件、醫(yī)療記錄等）中提取信息，它支持自動數(shù)據(jù)查詢以獲得新的見解。傳統(tǒng)上，命名實體識別已被廣泛用于識別文本中的實體并存儲數(shù)據(jù)以進行高級查詢和過濾。
數(shù)據(jù)工程師和分析師對大量數(shù)據(jù)運行交互式臨時分析的需求繼續(xù)呈爆炸性增長。數(shù)據(jù)平臺團隊越來越多地使用聯(lián)合SQL 查詢引擎 PrestoDB 為各種用例運行此類分析，跨越廣泛的數(shù)據(jù)湖和數(shù)據(jù)庫就地，而無需移動數(shù)據(jù)。
