Вот что я узнал на конференции O’Reilly AI на прошлой неделе.

Это перепечатка (более или менее) Информационного бюллетеня ARCHITECHT Daily за понедельник. Зарегистрируйтесь здесь, чтобы каждое утро получать его в свой почтовый ящик.

Перед отъездом я пообещал вам несколько заметок с конференции O’Reilly AI на прошлой неделе. Вот они, слабо организованные и основанные на сессиях, которые мне удалось посетить (кроме того, вы можете получить доступ, по крайней мере, к основным моментам из основных выступлений на веб-сайте):

Общее замечание по корпоративным компаниям, работающим с ИИ

Список участников был намного короче, чем на других мероприятиях O’Reilly, включая конференцию по большим данным Strata, которая проходила на этой неделе в Нью-Йорке. Одной из причин этого может быть совпадение тем двух конференций, когда многие спонсоры выбирают более крупное, более широкое и корпоративное мероприятие.

Однако альтернативное объяснение заключается в том, что корпоративный искусственный интеллект все еще является довольно маленьким рынком по сравнению с более широким рынком для управления данными (на котором, если мы будем честны, здесь можно справедливо сосредоточить внимание на многих горизонтальных играх с ИИ). Если компании собираются продавать программное обеспечение и услуги искусственного интеллекта, возможно, они полагают, что они с большей вероятностью будут делать это, ориентируясь на существующую аудиторию для продуктов больших данных и науки о данных, чем на людей, занимающихся исследованиями в области ИИ. Я также подозреваю, что многие действительно крутые компании, занимающиеся ИИ, создают приложения для определенных рынков, которые сделают отраслевые выставки более привлекательным местом для продажи своих товаров.

Эндрю Нг о зарабатывании денег с помощью ИИ

Эндрю Нг сделал действительно хороший доклад, нацеленный на людей, задающихся вопросом, как на самом деле сегодня зарабатывать деньги с помощью ИИ (по крайней мере, это было сообщение, на котором я сосредоточился). Среди его идей:

Сегодня деньги вкладываются в контролируемое обучение, структурированные данные и рекламу! Ранее он уже говорил о доходах, которые Baidu получила (даже пару лет назад) от использования глубокого обучения для таргетинга рекламы, и хотя это не самый привлекательный вариант использования, это, безусловно, разумный вариант.
У глубокого обучения с подкреплением огромный потенциал, но он даже более голоден, чем традиционные контролируемые методы глубокого обучения (например, сверточные нейронные сети для распознавания изображений). Нг сказал, что он думает о построении бизнеса вокруг ИИ как о многолетней «шахматной игре», где цель состоит в том, чтобы стратегически собрать лучшие данные, построить модели, построить продукт, а затем узнать еще больше из пользовательских данных - в конечном итоге создавая добродетельный цикл.
Появляются новые методы, для которых не требуются тонны данных, но они все еще относительно молоды и менее перспективны / проверены на данный момент, чем глубокое обучение.
Эти четыре вещи делают вашу компанию настоящей компанией ИИ, а не просто компанией, которая занимается ИИ (он провел аналогию с тем, как Amazon является веб-компанией, тогда как магазин с веб-сайтом - это просто магазин с сайт):
Сбор стратегических данных
Централизованное хранилище данных
Повсеместная автоматизация
Новые должностные инструкции (например, менеджеры по продукту и инженеры работают более совместно, потому что взаимодействие между данными, алгоритмами, пользовательским интерфейсом и т. Д. В ИИ настолько тесное, что традиционные рабочие процессы не работают)

Цзя Ли из Google о демократизации ИИ

Говоря об отраслевых приложениях ИИ, я думаю, что Цзя Ли (руководитель отдела исследований и разработок в команде Google Cloud ML) обосновал необходимость демократизации методов ИИ за пределами Интернета и мобильных платформ. По сути, она признала, что есть отрасли, такие как здравоохранение, сельское хозяйство и образование, которые могут извлечь выгоду, и «Те из нас, кто работает в области ИИ, очень мало о них знают».

Стив Джурветсон об очень важном законе Мура

Стив Юрветсон из DFJ выступил с довольно длинным докладом, а затем взял интервью у главы Intel в области искусственного интеллекта Навина Рао. На самом деле, вы могли бы свести все его выступление к этой диаграмме, которую он представил. Изображение вставлено ниже, но краткое объяснение состоит в том, что вместо плотности вычислений он отслеживает стоимость вычислений с течением времени - показатель, который, по его заключению, все еще улучшается экспоненциально, даже несмотря на то, что наши аппаратные платформы изменились (то есть с табуляторов на графические процессоры).

По сути, Юрветсон утверждает (и признает, что позаимствовал эту идею у Рэя Курцвейла), что такие технологии, как нейроморфные вычисления, квантовые вычисления и любые настраиваемые ASIC, технически не улучшат закон Мура, но улучшат более важный показатель затрат / вычислений. Я думаю, что это хороший способ подумать обо всех исследованиях и достижениях, которые мы наблюдаем в этих областях, и о том, почему мы видим так много инвестиций в них.

Как продавать ИИ вашей компании, вашим партнерам и клиентам

Генеральный директор Nara Logics Яна Эггерс подробно рассказала о некоторых культурных и психологических препятствиях, с которыми компании столкнутся при разработке продуктов искусственного интеллекта. Вот некоторые из моих выводов, которые охватывают весь диапазон от общения с коллегами до общения с клиентами:

Разные люди и отделы владеют разными данными, и они мотивированы разными вещами.
Иногда люди или команды не хотят делиться своими данными, потому что их смущает состояние, в котором они находятся (например, они не чистые, неорганизованные, и они даже не знают, что там есть).
Принуждение к «человеческому» ИИ может иметь неприятные последствия, особенно когда ИИ, действующий как ИИ, работает отлично. Эггерс привел пример того, как овчарка очень хорошо пасет овец - вероятно, лучше, чем человек, но определенно сильно отличается от этой работы, - но это выглядело бы неестественно, если бы мы каким-то образом заставили человека покататься на велосипеде. (Я думаю, что еще одна хорошая аналогия - это то, как пищевые компании полны решимости производить вегетарианское «мясо» - что само по себе вызывает неблагоприятные сравнения - вместо того, чтобы просто принять тот факт, что вегетарианские продукты не являются мясом.)
Компаниям следует подготовиться к некоторым плохим результатам (например, неожиданным рекомендациям по продукту) и некоторым проблемам роста, но не теряйте акцента на том факте, что ИИ, сделанный правильно, в целом принесет лучшие результаты.
Оптимизируйте преимущества вашего продукта достаточно сильно, чтобы преодолеть недостатки. Ее примером было то, как Roombas, как известно, разбрасывает собачий помет по дому, но в остальном неплохо справляется и экономит пользователям достаточно времени, чтобы они не обращали внимания на ситуацию с пометами (или смирились с ней).
Завышенные ожидания = хроническая недопоставка

Специалисты в предметной области - ваши друзья в области промышленного ИИ

Генеральный директор Bonsai Марк Хаммонд (да, Bonsai является спонсором) имел хорошее представление о предоставлении ИИ промышленным клиентам. Некоторые из них были довольно специфичны для подхода Bonsai к обучению с подкреплением, но я бы свел посыл к следующему: вы должны обязательно воспользоваться преимуществами и интегрироваться с программными продуктами, которые уже используют клиенты (в данном случае, программами моделирования), и использовать продукты клиентов. профильных (или машинных) специалистов для обучения систем. Если этого не сделать, придется изобретать велосипед заново.

Однако он отметил, что одним из потенциальных недостатков чрезмерной зависимости от человеческого знания является то, что модели могут не открывать новые, новые способы решения проблемы. Таким образом, заказчики должны учитывать, какая часть цели - автоматизировать процесс, а какая - переделать процесс.

Чтобы узнать больше от Хаммонда, посмотрите его появление в подкасте ARCHITECHT Show еще в марте.