Я понял, что что-то не так с нынешним удобством использования машинного обучения, когда на интеграцию простой функции уходил месяц за месяцем. Мы использовали API машинного обучения как услуги (MLaaS) от поставщика облачных услуг, чтобы выполнить простое распознавание лиц. Несмотря на то, что API-интерфейсы были более или менее простыми, их фактическое использование потребовало от нас очень сложных рабочих процессов. И чем больше мы экспериментировали, тем больше становился счет за облачные вычисления.

Когда это не сработало, мы стали искать другие модели машинного обучения, над которыми могли бы иметь больший контроль. Те, которые мы нашли, были едва скомпилированным кодом, который не имел встроенных возможностей развертывания или масштабирования. Кроме того, вы не могли их обучить или улучшить. Нам пришлось бы проделать еще больше работы, чтобы их интегрировать и доставлять, чем то, что мы делали раньше с поставщиками облачных услуг.

Мне стало ясно, что ИИ должен пройти этап демократизации, чтобы действительно изменить мир.

Как предприниматель в области программного обеспечения, я знаю, как важно иметь возможность быстро что-то сделать. Когда вы создаете приложение, платформу, веб-службу, новую функцию (что угодно на самом деле), вам нужно иметь возможность предоставить продукт или решение, которое решает проблему за относительно короткий промежуток времени.

То, что быстро означает для каждой отдельной компании, будет отличаться, и важно отметить, что быстро не означает компромисса с качеством. Все это означает, что какое бы решение вы ни предлагали, оно решает одну проблему (а не каждую проблему).

Сегодня разработчики добиваются выдающихся результатов, и они делают это бережливыми, подлыми и гибкими способами. Один из их секретов - по возможности не изобретать велосипед. И причина, по которой они могут это сделать, заключается в том, что многие сверхмощные технологии, такие как поисковые системы и очереди сообщений, стали демократизированными. Сложная часть технологии была абстрагирована, обычно за некоторыми API-интерфейсами, и разработчик может сосредоточиться на предоставлении ценности, а не пытаться создать поисковую систему с нуля.

Поэтому я бросил работу и присоединился к Machine Box, чтобы делать то же самое с машинным обучением.

Зачем демократизировать машинное обучение?

Машинное обучение может творить невероятные вещи; Помочь бороться с фальшивыми новостями, предоставить более удобные способы аутентификации устройства, сэкономить время на поиске вещей… список можно продолжить. Все мы выигрываем от этих возможностей, но машинное обучение по-прежнему сложно реализовать.

Как владелец продукта, бизнес-стратег и разработчик-любитель, я сам пробовал создавать, обучать, интегрировать и развертывать машинное обучение (или руководить группами разработчиков, делающими то же самое), и вот что я узнал.

Чтобы успешно интегрировать ИИ в бизнес без использования существующих инструментов, вам нужны специализированные люди, которые будут знать разницу между алгоритмом кластеризации K-средств и нейронной сетью. Им нужно будет думать о точности и запоминании, знать о последних исследованиях различных алгоритмов машинного обучения и уметь использовать такие инструменты, как Keras и Tensorflow.

Предполагая, что они это знали, им нужно было подумать об обучающих данных, о том, как их собрать, как очистить и как поэкспериментировать с ними.

Обучение - самая сложная часть машинного обучения. Я потратил сотни часов на разочаровывающие попытки и безуспешные попытки разработать значимые наборы данных для обучения моделей (при этом накапливая большие счета за облачные вычисления).

После этого вам необходимо передать все это отдельной группе специалистов, которые смогут интегрировать, развернуть и масштабировать модели.

Весь этот процесс не делает инновации легкими. Предприятию, которое хочет облегчить врачам поиск вашей истории болезни, или стартапу, пытающемуся избавиться от ботов Twitter, придется потратить много времени и денег на решение всех этих вопросов.

Я хочу, чтобы разработчики могли сразу же приступить к решению проблемы с помощью мощных инструментов, которые абстрагируются от всей сложности, чтобы им не приходилось возвращаться в школу и получать степень магистра статистики. Я хочу сделать процесс сбора обучающего набора как можно более плавным, позволив вам пройти через множество периодов проб и ошибок, не разбивая банк. Когда мы хотим интегрировать мощный поиск, мы используем ElasticSearch. Когда мы хотим очистить новостные статьи и встроить определенные элементы, мы используем Embedly. Когда мы хотим обрабатывать кредитные карты со всего мира, мы используем Stripe. И теперь, когда мы хотим использовать машинное обучение, мы используем Machine Box.

Стоя на плече гигантов

Общий прогресс технологий сегодня основан на абстракции. Мы даем себе все более мощные инструменты для решения все более сложных проблем. Когда в 1952 году был изобретен COBOL, он абстрагировался от машинного кода, чтобы мы могли программировать словами, а не числами. Операционные системы абстрагировали интерфейсы командной строки, Oracle абстрагировали, храня много данных, и так далее и тому подобное.

Абстрагирование технологий помогает нам построить следующую технологическую революцию, которая затем, в свою очередь, абстрагируется, чтобы сделать возможной следующую революцию.

Машинное обучение - лишь часть этого логического развития. С такими инструментами, как Microsoft Cognitive Service, Google Vision и Amazon Rekognition, разработчики могут начать взаимодействовать с этими мощными возможностями. В Machine Box мы делаем шаг вперед, позволяя вам управлять собственными моделями и обучать их в вашей собственной инфраструктуре, эффективно предоставляя вам все возможности. И что замечательно, вам не нужно ничего знать о машинном обучении. Вам просто нужно понять проблему, которую вы пытаетесь решить (и как выполнить POST в API).

Решение моей проблемы

Сегодня у меня есть клиенты, которые изо всех сил пытались интегрировать ИИ, потому что это было либо слишком дорого, либо слишком сложно интегрировать, либо и то, и другое. Они сказали мне, что Machine Box экономит им десятки тысяч долларов в месяц, или что они даже не смогли бы оторваться от земли, если бы не наши инструменты. Вот почему стоит бросить работу и погрузиться в мазохистский мир стартапов. Это то, что меня поднимает каждое утро, побуждает придерживаться того, что я делаю, и продолжать настаивать на демократизации ИИ.

Эта история опубликована в The Startup, крупнейшем предпринимательском издании Medium, за которым следят более 308 471 человек.

Подпишитесь, чтобы получать наши главные новости здесь.