需要认识到的重要一点是，通过数字化转型优化和简化的每个业务流程都采用了嵌入式AI的预测性或反动性方法。尽管预测对公司更有利，但几乎不可能总是领先一步。最好的例子可能是在 网络安全和智能安全系统中使用嵌入式AI 。
公司希望在保护其设备和数据免受恶意软件和网络攻击的影响方面尽可能地具有预测性。希望人工智能能够在网络威胁对企业造成损害之前就对其进行预测；但是，有太多新形式的恶意网络攻击，因此无法一一预测。因此，安全应用程序也必须是反动的。如果某件恶意软件确实通过威胁情报解决方案获得通过，则嵌入式AI需要能够立即采取适当的措施来减轻任何损坏或潜在的数据丢失。
如果我们在解决所有业务问题之前都能找到解决方案，那将是一个理想的世界，但这不是现实的期望，因此反动AI仍然是必需的。诸如ERP之类的空间，其中嵌入式AI根据历史数据提供洞察力，它们基于先前性能，不准确的人类预测以及未知或外部因素的反应，提供了预测服务。AI在人力资源解决方案中提供的人员分析以及大量其他商业软件也是如此。
2.软件供应商将需要适应，否则第三方将占据主导地位
采取面向服务的销售方法已经成为标准做法，但是随着嵌入式AI成为产品的基础，供应商将必须真正了解其交付前景。将需要更加强调供应商的解决方案如何利用公司的数据并使用该数据来推动和授权基于AI的软件。通常，这将意味着弄清楚解决方案如何使用公司的非结构化和未清理的数据，这将是软件供应商的主要挑战。销售团队将需要能够确定其工具的可能性，而不是过度销售，因为不履行期望比损失销售会造成更大的损失。
确实，销售代表要跟上他们的每个帐户并对其进行认真的尽职调查，这是一个挑战，因此咨询公司，供应商合作伙伴和增值经销商将有很大的机会来利用包含以下内容的解决方案的销售AI。这些公司可能有更多机会在开始销售过程之前了解公司的需求，因此它们将更易于为他们提供解决问题所需的基于AI的精确工具。但是，如果销售代表了解公司的需求以及其产品如何使用AI解决该问题的细微差别，他们将有机会远远超过其配额。买家将想知道嵌入式AI将如何为他们公司的数字化转型做出贡献，因此证明和销售业务影响至关重要。
3.机器学习即服务将帮助嵌入式AI增长
只有这么多的软件开发人员具备构建嵌入式AI产品所需的机器学习模型所需的知识和技能，但是云企业供应商正在减少对这些员工的需求。亚马逊网络服务（AWS），微软的Azure和Google Cloud Platform是 利用微服务（包括机器学习即服务）的三大领先数字平台 供应商 。
在过去的十年中，这些庞然大物将其所有巨大的基础架构都移到了云中，并从这些流程中学到了东西，并为外部数据中心空间提供了 基础架构即服务。这种公共云存储是将遗留产品快速迁移到云的主要原因：它非常容易。这些微服务大大缩短了建立时间，企业只需为使用的东西付费。它简单，看似经济高效且方便。
机器学习 领域正在发生类似的事情。由于企业供应商可访问的数据，他们能够构建和训练自己的机器学习模型，并负责AI中一些最快速的进步。这些进步包括Google DeepMind的AlphaGo（可以击败世界冠军“ Go”玩家）到亚马逊将Alexa添加到其产品中以提供对话式用户界面的能力。企业正在使用这些机器学习工具，并按月向其他企业提供这些工具，但是它们易于部署，并且可以对公司的数字化转型产生直接影响。
例如，通过将公司的图像数据提供给诸如 Amazon Rekognition， Google Cloud Vision API， IBM Watson Visual Recognition或 Microsoft Computer Vision API之类的产品，企业可以训练其解决方案来识别和分类图像。将这些机器学习算法插入软件产品的便捷性和速度将在未来一年内增加使用嵌入式AI的解决方案的数量，并且随着越来越多的软件开发人员利用“机器学习即服务”的优势，“机器学习即服务”将成为一个常用术语。服务。
4.物联网将利用嵌入式AI创造智能物
物联网和人工智能在技术趋势列表中已经存在了数年之久，但是通过将AI嵌入到互联网连接的设备中，您将获得更强大，更有益，更智能的东西。这一概念已列入G2的2017年趋势清单，但随着企业继续接受数字化转型，在来年将继续谈论这一概念。嵌入式AI将能够分析IoT数据，这将是向前发展的大量消耗数据，从而获得更好的可行见解。这将使机器具有预测性，而不是反动性。
影响最大的行业似乎更传统，例如制造业，农业，航空，医疗保健和航运。这些领域的B2B公司可以通过利用机器学习提供本质上可预测的产品和机器来利用嵌入式智能。内置在物理产品（例如拖拉机）中的AI可以在实际发生维护问题之前通知所有者或企业。这样可以节省农民的时间和资源，同时又可以确保最长的正常运行时间，从而使农民可以尽其所能保持收成。