Три прогноза для прикладного машинного обучения и еще два макро-прогноза

С 2019 годом, практик ML!

Поскольку сейчас (почти) традиция в Point Nine, мы скоро опубликуем пост с прогнозом команды, в котором каждый из нас объяснит, что он будет искать в следующем году. Если вы их пропустили, вот те из 2017 и 2018 - излишне говорить, что мы / я много раз ошибались полностью!

Я начал обдумывать несколько идей о том, чего я с нетерпением жду в более широком пространстве машинного обучения в 2019 году, в конце декабря, но так и не нажал кнопку публикации. Сегодня 1 января, вот и они - надеюсь, вам понравится!

Если вы хотите получать уведомления о наших следующих публикациях, вы можете подписаться на нашу рассылку новостей.

1. Другие сети GAN

Год назад я писал, что в 2018 году машины станут творческими (проверьте пост здесь) благодаря программному обеспечению для генеративного проектирования, использующему генеративные состязательные сети (или GAN). В то время автомобильные шасси Autodesk или алгоритмически сгенерированные песни iMuze были интересными иллюстрациями. Похоже, что это предсказание не было полностью ошибочным, поскольку в 2018 году появилось множество новых приложений GAN. Uizard удалось сгенерировать интерфейсный код из эскизов дизайна. Nvidia создала игровую среду. Возникло новое направление в искусстве, которое некоторые даже назвали GANism - Christies продали первое произведение искусства, созданное алгоритмами в XX в этом году. Я уверен, что в следующем году мы продолжим видеть все больше и больше приложений GAN.

2. Алгоритмический канал (ы) в программном обеспечении B2B

Продукты B2B часто вдохновляются потребительскими товарами. Как потребители, теперь мы привыкли наслаждаться индивидуализированными возможностями, предлагаемыми большинством потребительских приложений. Наши каналы в Twitter, Facebook и Instagram - все наши собственные и отличаются от каналов наших друзей. Идя еще дальше, китайское приложение TikTok похоже на телевизор, но без пульта дистанционного управления, ИИ выбирает контент для пользователя. Все эти продукты основаны на (сложных) логистических регрессиях, которые пытаются предсказать, какие части контента мы, скорее всего, оценим (эта статья объясняет, как это более подробно). Spotify и Netlifx широко используют совместную фильтрацию, чтобы порекомендовать нам следующую песню / фильм (проверьте Netflix Prize, если вам интересно). Мы могли бы даже утверждать, что эти сервисы являются оправданным бизнесом не только потому, что у них самые большие библиотеки контента, но и потому, что их набор данных, основанный на наших личных предпочтениях (частично на основе метаданных взаимодействия), является проприетарным (и его очень трудно воспроизвести). Чем больше мы пользуемся этими сервисами, чем больше метаданных мы им предоставляем, тем лучше фид, тем меньше вероятность оттока. Эффекты сети передачи данных.
Я считаю, что в 2019 году мы увидим все больше и больше программного обеспечения B2B, предлагающего индивидуализированный контент и каналы на основе сбора таких метаданных. От динамически оптимизированных регистрационных потоков до персонализированного программного обеспечения для управления фермой для молочных фермеров - возможности безграничны.

3. Пользовательский интерфейс, предназначенный для улучшения ИИ

Лучшие продукты на базе машинного обучения разработаны с учетом отзывов пользователей. Чем быстрее они будут воспринимать отзывы пользователей, тем быстрее они смогут переобучить алгоритмы и тем точнее станет прогноз (начинают проявляться эффекты сети передачи данных). Чем короче этот цикл, тем быстрее улучшается пользовательский опыт и продукт становится защищенным. Один из способов оптимизации для быстрой обратной связи с пользователем - создание пользовательских интерфейсов (UI), специально предназначенных для сбора данных, критически важных для работы по прогнозированию. Например, Rossum.ai строит следующее поколение алгоритмов извлечения данных. Пользовательский интерфейс продукта Rossum был разработан для облегчения проверки работы по извлечению данных, выполняемой алгоритмами компьютерного зрения.

4. Монополии данных на рынках B2B?

Конгресс еще не решил, следует ли ему нарушить монополию Facebook (данных) - отчасти потому, что традиционные тесты на концентрацию рынка терпят неудачу (см. Этот пост). Тем не менее, 2018 год определенно был годом, когда население начало осознавать свою (почти) невероятную рыночную власть. Может пройти несколько лет, прежде чем такие дебаты начнутся в мире B2B.

Но держу пари, что в 2019 году мы увидим все больше и больше стартапов B2B, которые будут утверждать, что они построят господство на рынке, создав монополии на данные. Пока нет уверенности в том, что i) это возможно (на каждом рынке) и ii) регулирующие органы дадут им достаточно времени для их создания, но я был бы счастлив сделать на это ставку (подробнее см. В нашем инвестиционном тезисе AI-first).

5. AI Национализм

Ян Хогарт написал отличный пост под названием Национализм ИИ в июне прошлого года (см. Здесь), в котором он утверждает, что страны будут пытаться использовать коммерческие информационные ресурсы, созданные их компаниями, в качестве разведывательного оружия против других стран. Конец прошлогоднего скандала с Huawei доказывает, что он прав. Подозреваю, что в 2019 году мы увидим еще больше подобных скандалов ... к сожалению.

Несмотря на (значительный) риск экономического спада в этом году, я очень рад вернуться к работе в 2019 году, чтобы узнать больше о том, как машинное обучение продолжит менять отрасль за отраслью.

Я также где-то читал, что лучшие венчурные сделки заключаются в периоды спада экономических циклов. Удачного начала года 🚀