互操作性，即两个系统有效沟通的能力，是机器学习未来的一个关键因素。对于银行、医疗保健和其他日常行业，我们已经期望我们用来交换信息的平台能够在需要时进行无缝通信。
因为我们都有成千上万的数据与我们的生活相关,因为他们与我们的健康,我们的财政状况,以及其他我们所知道的生活的主要方面,是有道理的,最近的事态发展在机器学习和人工智能(AI)可以用来制造所有这些数据一起工作对我们的好处。
操作中的互操作性:医疗保健
让我们以医疗保健为例来说明如何实现互操作机器学习科技可以改善我们的生活。考虑一下高科技的医疗程序，比如CT扫描。它们自动为单个患者生成大量传感器数据。这不同于你的医生在常规检查时手动进入专有数据库的健康信息。如果没有一种方法能够快速、自动地集成这两种数据类型进行分析，就失去了快速诊断重大疾病的潜力。
这就产生了跨不同信息模型进行优化的需求。就互操作性而言，当前的方法和遗留系统并不友好。机器学习和机器学习算法的最新发展为信息平台之间更强大、更快的转换打开了大门。机器学习的未来将成为可能大大改善了医疗护理和优化研究实践。
神经网络的作用
以人脑为模型，神经网络由一套用于识别模式的算法组成。它们通过一种机器感知、标记或聚类原始输入来解释感官数据。它们识别的模式是数字的，包含在向量中，所有真实世界的数据(图像、声音、文本或时间序列)都必须转换到这些向量中。
根据一项2017篇文章在麻省理工学院新闻中，神经网络最早是由Warren McCullough和Walter Pitts在1944年提出的，这两位芝加哥大学的研究人员于1952年来到麻省理工学院，他们是被称为第一个认知科学系的创始成员。从那时起，这种方法时起时伏，但它的回归是在机器学习的未来。
在2017年,开放式神经网络交换(ONNX)格式是作为社区驱动的开源标准创建的，用于深度学习和传统机器学习模型。这个项目的目标是通过创建一个标准化框架来解决脱节的AI生态系统中产生的限制。
在AI社区众多公司的支持下，ONNX在软件和硬件行业都获得了广泛的应用。ONNX允许开发人员和数据科学团队将未来的性能和兼容性挑战最小化，同时为各种以技术为中心的领域的大规模创新打开大门。ONNX允许开发人员使用他们选择的机器学习框架，并消除兼容性障碍。现在和将来的迭代中，硬件和软件产品可以更容易地一起工作。
在兼容性方面，根据a中文章微软的Faith Xu说:“……ONNX社区贡献了许多不同的工具来转换和运行模型。在各种框架上训练过的模型可以使用TensorFlow-ONNX和ONNXMLTools (Keras、Scikit-Learn、CoreML等)等工具转换为ONNX格式。PyTorch 1.2中已经支持原生的ONNX导出功能。此外，ONNX模型动物园提供了流行的、现成的模型。”
语义互操作性——成功的人工智能的一个要求
虽然ONNX格式已经帮助许多大公司统一了人工智能和机器学习的努力，但很明显，仅仅以相同的格式拥有所有数据并不意味着成功。这刺激了未来项目对语义互操作性的持续关注。当数据是不同数据源的混合时，您不一定能了解数据的模式、预测或异常情况。
语义互操作性是指计算机系统以明确的、共享的意义交换数据的能力。为此，需要高质量的、人工注释的数据集来准确地训练机器学习模型，无论您的数据是来自单一源还是异构源，并通过onnx风格的格式进行转换。
对机器学习还有疑问吗?看看我们的机器学习常见问题解答．
