ML является как распространенным, так и зарождающимся. Он существует уже 60 лет, но предприятия все еще пытаются понять, каковы его ограничения.

В вашем продукте есть ИИ, сможет ли он почистить мне зубы, поднять цену акций и приготовить мне пиццу?

Появляется множество стартапов с инструментами для аннотаций, сервисами для аннотаций, учебными инструментами, моделями, фреймворками и т. д. Такое ощущение, что Javascript делал 8 лет назад с новым фреймворком каждый день. Команды, которые использовали NodeJS, получили огромную выгоду от этой технологии, поскольку она позволяла небольшой команде делать больше.
То же самое происходит и с машинным обучением.

Время на покупку и внедрение новой технологии в крупной организации составляет от 8 до 18 месяцев, хотя некоторые из 500 компаний уже развернуты, а некоторые еще не запустили эти часы.

Итак, вопрос в том, что произойдет, когда машинное обучение будет везде и во всем? Он будет ускоряться либо чипами, графическим процессором, либо новой модельной архитектурой. Это будет дешево и повсеместно.

Итак, давайте предположим, что мы сейчас там. Каждая организация имеет возможности машинного обучения для улучшения своей компании. Больше нет «стартапов ИИ», потому что, если вы не используете его для получения конкурентного преимущества, вы останетесь в стороне.

Возможные эффекты:

  • Нехватка талантов закончилась. Несколько воротил создают большинство новых архитектур, распространяют их через академические статьи, которые сопровождаются кодом для воспроизведения шагов. Код перепрофилируется и разрабатывается предприимчивыми компаниями, молодыми и старыми.
  • Наука о данных становится переплатой за ввод данных. Чистые данные, уникальные наборы данных легко собирать, очищать и развертывать на множестве устройств. Облачная инфраструктура позволяет одним щелчком мыши развертывать модели машинного обучения, которые можно объединять на основе локальных частных данных.
  • Данные, чистые полезные данные. Перепродать это? Копить это? Использовать его, а затем перепродать? Если она дешевая и распространенная, то новая ли это нефть?
  • Постепенно улучшайте отслеживание, таргетинг и рекламу.
  • Розничная эффективность
  • Воровство сотрудников практически исключено. Наведите камеру на кассу, соотнесите с POS-системой
  • SAAS применяется к компаниям, которые никогда не считались SAAS (как компания по недвижимости может быть компанией SAAS, как насчет портфеля коммерческой недвижимости?).
  • Смогут ли данные из открытых источников догнать GAFA? Скорее всего нет, но их начнут разводить. Щель в броне будет видна, и будет казаться возможным, что кто-то может сбросить Google.
  • И пункт выше, и смерть дилеммы новаторов. Крупные компании, знакомые с принципом дилеммы инноваторов, понимают, что к ним больше нет необходимости.

Понравилась статья? Подпишитесь на нашу рассылку. Эта статья была представлена ​​вам SugarKubes. Sugarkubes — это рынок контейнеров. Хотите запустить ИИ на периферии? Нужны модели машинного обучения, которые работают из коробки? Устали платить за вызов API? Посетите нас на https://sugarkubes.io.