机器学习的部署阶段

In 2012 or so, if you’d asked most people in tech about ’neural networks’, if they had any answer at all they might well have said that it was an obscure idea from the 1980s that had never really worked - rather like VR. Then, in 2013, Imagenet gave us an explosive realisation that this could work now - again, rather like VR in 2013. Since then, the tech industry has been remaking itself around machine learning. There’s a naive view that ‘Google will have all the data’ or China will have all the AI’ or ‘Data is the new oil’, but it’s more interesting to look at how many different kinds of deployment are now happening.

The first phase was the creation of companies building platforms (or ‘primitives’ or ‘substrates’) for specific low-level ML applications - image recognition, voice recognition, sentiment analysis etc. Some of these have thrived but most of this space has, I think, been subsumed into larger platforms that offer many other primitives as well, such as storage, database or computing - AWS, Google Cloud or Microsoft’s Azure.

其次,几乎所有其他科技公司都挑选起来并围绕着他们的产品徘徊,看看它可以在哪里应用。这常常让我想起一个带有锤子的男人的老话笑话,他们认为每个问题是一个钉子 - 科技产业一直在击中一切锤子,看看它是否是一个问题,或者可以制成一个问题,或者可以制成一个。一般来说,它是。因此,永恒(一家a16z投资组合公司)可能会使用机器学习来做情感分析或查找类似的文档,作为更广泛的产品提供的一部分。一家安全公司使用ML来寻找奇怪的事务。最极端的情况是,如果你用智能手机拍了一张照片,照片应用程序现在会提取文本——这就是“人工智能”,但它也只是文本。当然,智能手机摄像头本身现在既是硬件图像传感器,也是机器学习功能。也就是说,机器学习正在被现有的公司和产品吸收,而且往往是无形的。

第三,有一股公司的浪潮,用于使用机器学习来解决新的方式完整的问题。必威足球People.ai.使用NLP来分析通过Salesforce的文本,并识别可能出错的管道的部分。描述使用语音识别,让你编辑音频的人与文本编辑器,而不是剪断波形。这些公司都不是真正的“人工智能”公司,而是拥有解决特定问题的实际产品的公司。他不会对英国广播公司(BBC)总裁托尼•霍尔(Tony Hall)说:“让我们告诉你(低沉的声音)如何。”AI(!)可以改变你的生意!”相反,它找到电台制作人说:“这个工具每天都能帮你减轻一些痛苦。”有很多像这样很酷的新公司,通常是在解决一个你几乎一无所知的行业中不存在的特定问题,通常这看起来并不像“人工智能问题”。通常情况下,他们也会使用视觉来解决一些看起来不像视觉问题的问题,或使用音频来解决一些看起来不像音频问题的问题。

重要的是,这些公司不必自己构建整件事。The fact that voice recognition was subsumed into AWS, Gooogle Cloud and Azure means that Descript can leverage that to build an actual product on top, just as the fact that storage was subsumed into AWS means that startups don’t need to spend millions of dollars on storage arrays before they can launch.

也就是说,巨型技术平台增长的一部分后果是他们平台,他们启用了一股公司创作,现在适用于其他任何事情。我们站在巨人的肩膀上。虽然在与AWS竞争中创建通用低级语音识别平台可能不是一个好主意,但AWS永远不会建立描述。

第四,这些技术现在远远超出科技产业。我最喜欢的示例最近是想要检查其产品的制造公司,因为它在线下降 - 他们永远不会自动化,但现在他们在DSP上有一个神经网络,杆上的智能手机图像传感器生产线。它看着每个单元,并说'缺陷/没有缺陷'。谷歌没有那种数据,也没有中国。此外,这是由一个大型外包咨询公司为他们建造的。这不是火箭科学,只谷歌可以做到。这只是软件。

然后,当然,人们挑选这些并脱扣它们。DRISHTI.将该相机贴在棒上,并将遥测,指标和分析作为完整的解决方案。但是是'ai',或计算机愿景?或者,例如,工业流程优化公司?(并且否定,谷歌绝对永远不会构建这个)。

这是新技术部署的生命必威足球周期。我经常将机器学习与关系数据库进行比较——40年前,关系数据库曾是一个令人兴奋的新想法,如今,每个大公司都拥有数十个或数百个来自数十个不同供应商的数据库。其中一些是非常特定的,你可以自己创建,一些是特定于你的行业,也被你的竞争对手使用,还有一些是完全通用的。

这可能也是一种有用的方法,可以思考更普遍的事情。必威足球硅谷的重复对话之一是想知道下一个曲线是什么 - 我们有PC,然后是互联网,然后智能手机,但智能手机现在很无聊,所以现在是下一个火箭船是什么?我们经常在这里讨论机器学习和加密。但是,我建议我们应该实际看看另一个时间序列 - 在过去的几十年中,我们通过数据库,'生产力',客户端 - 服务器,开源,萨斯和云移动。与新的客户端平台并行,我们有新的架构或开发模型的波浪,这真的是看机器学习的更好方法 - ml是新的SQL(也许加密部分是新的开源部分。必威足球And so if you want to know ‘what’s our AI strategy?’ or ‘how do we choose an AI vendor?’, the answer is, well, how did you choose a cloud vendor or a SaaS Vendor, and how did you identify opportunities for databases?

AI. betway足球