ML входит в вашу жизнь
Очень сложно найти человека, который не слышал об искусственном интеллекте, или, говоря более технически, — о машинном обучении. Это уже часть нашей жизни во многих ожидаемых и неожиданных местах. Насколько это захватывающе, так это сложность, необходимая для того, чтобы заставить его работать. Даже людям с хорошим опытом в области компьютерных наук требуется несколько месяцев, чтобы действительно начать понимать, как это работает и как делать что-то помимо учебных пособий по счастливому пути. Это действительно сложно и требует много специальных знаний. Это означает, что если вы не являетесь технологической компанией или не готовы тратить много денег, чтобы привнести узкоспециализированные и высокооплачиваемые навыки, чтобы привнести некоторые преимущества в ваш основной продукт с помощью машинного обучения, маловероятно, что вы справитесь с этим. выключенный.
Были попытки решить эту проблему путем предоставления специализированных сервисов, ориентированных на API, которые скрывают эту сложность и предоставляют простые средства машинного обучения для ваших данных. Это определенно упрощает работу, но не всегда есть возможность воспользоваться этими услугами.
Каких проблем следует ожидать при машинном обучении?
Первая проблема заключается в том, что в современном бизнесе необходимо контролировать, куда идут данные и кто имеет к ним доступ. Либо это бизнес-данные, либо данные о клиентах. Сервисы машинного обучения, ориентированные на API, потому что это серьезная проблема для контроля данных, поскольку вы предоставляете данные третьей стороне, и во многих странах это автоматически усложняет ситуацию с точки зрения конфиденциальности данных.
Вторая проблема — скорость. Трудно найти человека без мобильного телефона. Мобильный доступ доминирует во многих сценариях, и доступ к камере является одной из ключевых функций для получения доступа к реальному миру. Как и следовало ожидать, машинное обучение, ориентированное на API, не очень хорошо работает с большинством этих сценариев, потому что, во-первых, — скорость, а во-вторых — потому что вы обычно платите за запрос, который можно обойти, но это приведет к довольно большому счету за услуга. Если бы мы расширили его на такие устройства, как домашние или бизнес-камеры, простые потребительские или промышленные датчики, машинное обучение, ориентированное на API, стало бы скорее бременем, чем ускорителем. Разработка машинного обучения для использования на мобильных устройствах или устройствах (называемых периферийными устройствами) еще сложнее, поскольку помимо типичной сложности возникает необходимость оптимизации моделей для аппаратного обеспечения.
