Google, Facebook, Microsoft, IBM, Baidu и другие инвестировали 80 млн долларов в каждую компанию, занимающуюся ИИ.
На прошлой неделе Google DeepMind объявил, что у них есть Sonnet с открытым исходным кодом, программная библиотека, основанная на внутренних передовых методах DeepMind для быстрого создания модулей нейронной сети в TensorFlow. Это отличный ресурс, основанный на коллективном опыте некоторых из их 250 высококвалифицированных инженеров, выпущенный для того, чтобы другие могли более эффективно применять машинное обучение к своим проблемам.
Фактически, за последние несколько лет крупнейшие мировые технологические компании (включая Google, Facebook, Microsoft, IBM, Baidu, Amazon и другие) и исследовательские лаборатории университетов открыли исходный код не менее 2,5 миллионов строк кода платформы машинного обучения (см. Таблицу ниже), что составляет более 650 человеко-лет или 80 млн долларов затрат на разработку.
Эти наборы инструментов теперь находятся в свободном доступе в Интернете, и многие из них, такие как TensorFlow и Paddle, сопровождаются значительными объемами обучающих материалов и примеров материалов.
Таким образом, их можно рассматривать как невероятные первоначальные инвестиции в любую компанию, которая хочет использовать машинное обучение в качестве технологии, обеспечивающей поддержку своего продукта.
Эта тенденция к открытому источнику, похоже, продолжится, движимая исследователями и инженерами из академических кругов, которые подталкивают своих работодателей к возможности продолжать вносить свой вклад в исследовательское сообщество.
Возникает интересный вопрос о развертывании талантов: для экосистемы лучше объединить лучших инженеров ИИ в небольшом количестве организаций, занимающихся основными исследованиями и открытыми источниками ключевых частей своей продукции, или иметь этот талант внедряется в небольшие команды в гораздо большем количестве организаций, где они могут работать над решением конкретных коммерческих задач?
Многим компаниям на ранней стадии, которые хотят нанять инженеров для работы над проблемами машинного обучения, трудно конкурировать с такими компаниями, как Google и Facebook, которые вложили значительные ресурсы в создание наилучшей среды для проведения исследований в области ИИ. Если бы эта работа выполнялась исключительно за закрытыми дверями и ради выгоды работодателя, такое «накопление талантов» можно было бы рассматривать как наносящее ущерб более широким инновациям.
Тем не менее, открывая исходный код для этой работы, эти компании фактически ускоряют темпы, с которыми возможны более широкие инновации, обеспечивая значительный старт разработчикам, создающим свой собственный бизнес с применением этих технологий. И компании делают это сегодня: в LinkedIn в настоящее время размещено более 7000 объявлений о вакансиях, в которых конкретно упоминается одна из вышеперечисленных структур.
В Мэтте Тёрке из недавней статьи FirstMark Стрельба по всем цилиндрам: ландшафт больших данных 2017 он пишет:
Мы являемся свидетелями появления нового стека, в котором технологии больших данных используются для решения основных задач инженерии данных, а машинное обучение используется для извлечения ценности из данных (в форме аналитических данных, или действия). Другими словами: Большие данные предоставляют каналы, а ИИ обеспечивает разум.
Теперь мы достигли захватывающей точки, когда мощные компоненты этого нового стека «большие данные + ИИ» доступны для применения к широкому кругу проблем реального мира.
Первоначальные приложения здесь демонстрируют значительный потенциал. Яркие примеры, такие как DeepMind, снижающая и без того оптимизированные Google затраты на охлаждение центров обработки данных на 40%, демонстрируют очевидный и измеримый эффект, а первые результаты компаний, которые используют эти технологии в здравоохранении, сельском хозяйстве, логистике и бизнес-процессах, дают мне первые результаты. уверенность в широкой применимости здесь. Например:
- Kheiron использует компьютерное зрение для анализа медицинских изображений и автоматизации задач по составлению отчетов о рентгенологических исследованиях, экономя до 60% времени радиолога.
- Connecterra использует машинное обучение для анализа данных с датчиков, подключенных к крупному рогатому скоту, и выявления ранних форм поведения, которые можно использовать для повышения надоев более чем на 20%.
- DigitalGenius использует машинное обучение для сбора данных об обслуживании клиентов и предоставления автоматизированных предложений для ответа персоналу службы поддержки, увеличивая их возможности на ~ 30%.
Если мы подумаем о влиянии ИИ на проблему как о кривой нормальной доходности, где «зрелость» - это усилия, затраченные на применение ИИ для решения проблемы, а «доходность» - это измеримое улучшение по сравнению с текущим базовым уровнем, то что самое захватывающее в нашем Сегодняшняя позиция такова, что для решения стольких проблем сегодня мы находимся в самом начале, в период быстрых улучшений. Через десять лет кривые станут ровными, и нам придется много работать, чтобы внести небольшие улучшения, но на данный момент все еще есть огромные преимущества, которые можно получить во многих новых приложениях.
Чтобы быть ясным, создание компании, основанной на искусственном интеллекте и машинном обучении, сегодня - непростая задача (недавняя презентация Натана Бенаича Итак, вы хотите основать стартап в области ИИ »делится некоторыми замечательными мыслями о том, как это сделать. this), с реальными проблемами при найме подходящих специалистов, доступе к данным обучения и коммерческой проверке.
Тем не менее, с большим и постоянно растущим набором инструментов с открытым исходным кодом и огромным количеством проблем, ожидающих применения машинного обучения, есть две ключевые составляющие, которые будут стимулом для великих предпринимателей, исследователей и инженеров, желающих сделать это.
