Часть 3. Основное препятствие… стоимость
Для обзора первой части (доступ к экспертным знаниям) и второй (варианты использования и сроки проекта) этой серии:
Ключевой вывод № 3. Воспринимаемая стоимость — самый большой барьер для входа
В первой и второй частях этого более подробного обзора данных опроса в нашем недавнем отчете по отрасли мобильного машинного обучения мы рассмотрели доступность и виды опыта машинного обучения, доступные фирмам с проектами мобильной разработки, а также предпочтения вариантов использования и восприятие сроков проекта.
В ходе этих исследований мы обнаружили несколько предполагаемых препятствий для организаций, которые в противном случае могли бы заниматься проектами мобильного машинного обучения. Но остается еще одно препятствие для входа, которое становится еще больше: стоимость проекта.
По данным
С учетом всех других факторов — отрасли, варианта использования и даже предполагаемых сроков проекта — стоимость проекта оставалась основным воспринимаемым барьером в данных нашего опроса.
Возможно, в этом нет ничего удивительного, если рассматривать это в контексте других наших открытий. Экспертных знаний в области машинного обучения несколько мало, и поэтому они ценны; а с длительными сроками проекта связаны значительные затраты с точки зрения создания команды, инфраструктуры проекта и выполнения затянувшейся дорожной карты продукта.
Но что интересно, даже несмотря на то, что преобладающим препятствием является стоимость, респонденты также указали, что они не уверены в том, сколько на самом деле будет стоить такой проект.
Есть также некоторые интересные различия, когда мы рассматриваем предполагаемую стоимость проекта по отраслям. Респонденты, работающие с инструментами для творчества в области фото/видео, в подавляющем большинстве предполагали проекты стоимостью менее 100 000 долларов. Возможно, в этой причине есть рифма — функции искусственного интеллекта на основе компьютерного зрения (например, замена фона изображения на основе сегментации) в таких инструментах для творчества часто могут стоять отдельно как мощные функции в приложении, которые не требуют много дополнительных логика или дизайн приложения.
Мы также получили аналогичные результаты от респондентов B2B, которые дополняют использование управляемого стороннего решения (сокращение трудозатрат).
Вывод
Когда дело доходит до понимания состояния мобильного машинного обучения, нужно исследовать гораздо больше и гораздо больше контекста, связанного с точками данных, которые мы обсуждали в этой короткой серии.
Примечание редактора. Heartbeat — это интернет-издание и сообщество, созданное участниками и посвященное предоставлению лучших образовательных ресурсов для специалистов по науке о данных, машинному обучению и глубокому обучению. Мы стремимся поддерживать и вдохновлять разработчиков и инженеров из всех слоев общества.
Независимая от редакции, Heartbeat спонсируется и публикуется Comet, платформой MLOps, которая позволяет специалистам по данным и командам машинного обучения отслеживать, сравнивать, объяснять и оптимизировать свои эксперименты. Мы платим нашим авторам и не продаем рекламу.
Если вы хотите внести свой вклад, перейдите к нашему призыву к участию. Вы также можете подписаться на получение наших еженедельных информационных бюллетеней (Еженедельник глубокого обучения и Информационный бюллетень Comet), присоединиться к нам в Slack и следить за Comet в Twitter и LinkedIn для получения ресурсов, событий и многое другое, что поможет вам быстрее создавать лучшие модели машинного обучения.
