是的,你的AI技能正在“贬值”

  • 时间:
  • 浏览:23
  • 来源:ACE资源网_提供爱Q活动网技术_爱Q资源网资讯

大数据文摘出品

编译:小蒋、李可、狗小白、周素云

当我门儿正占据 AI创业热潮之中,机器学习专家的薪资水平水涨船高,投资者也乐于对AI初创公司慷慨解囊。AI的普及成为推动社会生产力标志,必将改变当我门儿的生活。

怎么才能 让,本文作者前谷歌工程师、Inovo.vc的CTO Ric Szopa认为,AI从业者的技能正在贬值。他从一2个多多 多多确定题入手真不知道们,AI工具、数据集、资金投入以及行业+AI的优势正在一步步弱化单一的AI基础技术优势。

先来做一道确定题。

Alice和Bob是两位AI创业者, 当我门的公司筹集了大致相同的资金,并在同一2个多多 多多市场上展开了激烈的竞争。

Alice把大每段钱花来雇佣最好的工程师,请来了一批在人工智能研究方面经验雄厚的博士。

而Bob确定雇用资质一般但还算能干的工程师,并将省下来的钱用于获得更好的数据。

怎么才能 让在等你,让我给谁投资?

当然是Bob。

为哪些地方呢?

从本质上讲,机器学习的原理是从数据中获取信息,并将其转化为模型权重。更好的模型使得你这些 过程更有效(时间怎么才能 让整体质量方面),但怎么才能 让假设模型训练相对都比较充分,更好的数据肯定会产生更好的结果。

为了说明你这些 点,当我门儿再进行一2个多多 多多快速而简单的测试。

假设我创建了2个多多 多多性能不太一样的卷积网络。“更好”的模型的最后一2个多多 多多全连接层有128个神经元,而“稍微差这些”的可不可否 不可不可否 62个多多 多多。我在不同大小的MNIST数据集的子集上训练它们,并绘制模型在测试集上的准确率与训练样本数的折线图。

蓝色是“更好”的模型,绿色是“稍微差这些”的模型

很显然,训练数据集大小具有积极影响(合适在模型刚刚开始过拟合和准确率达到稳定前一天)。值得一提的是,在10000个样本上训练的“稍微差这些”模型的准确率比在1000个样本上训练的“更好”模型的准确率要高!

在我的小例子中,当我门儿处里的是一2个多多 多多相对简单的问题报告 ,怎么才能 让有一2个多多 多多比较全面的数据集。而在现实生活中,当我门儿的条件并是是不是可不可否 不可不可否 完美。在这些清况 下,增加数据集总爱会具有非常显著的效果。

事实上,Alice的工程师不仅仅是和Bob的工程师竞争。怎么才能 让AI社区的开放文化及其对知识共享的重视,当我门的竞争对手我我人太好来自谷歌、Facebook、微软以及世界各地数千所大学的研究人员。

怎么才能 让, 好的工程师我人太好有点要的,但让我是AI领域语录,数据的竞争优势会显得更为关键。

然而,更加重要的问题报告 是,你怎么才能 才能 不可不可否保持当时人的优势。

AI工具正可不可否 不可不可否 简单好用

2015年,当我还在谷歌工作,刚刚开始玩DistBelief,也如果 如果当我门儿所熟知的Tensorflow。当时你这些 工具好难用了,这些当时想让它在谷歌构建的系统之外运行完是是不是一2个多多 多多白日梦。

2016年末,我进行了一2个多多 多多概念验证的研究,在组织病理学图像中检测乳腺癌。当时我前要使用迁移学习:采用谷歌当时最好的图像分类架构Inception,并在我的癌症数据上重新训练。我前要使用谷歌提供的一2个多多 多多经过预训练的初始权重,改变顶层行态来匹配我正在做的工作。

在TensorFlow上经过长时间的反复尝试,我终于找到了操作不同层的方式,让它基本上运作起来。这前要很大的毅力去阅读TensorFlow的资料。不过合适我并不太担心依赖关系,怎么才能 让TensorFlow贴心地准备了Docker镜像。

来源:Medium

在2018年初,多亏了Keras(基于TensorFlow的一2个多多 多多框架),只需几行Python代码就能完成你这些 项目,怎么才能 让使用它不前要你对当时人正在做的事情有深入理解。但它仍然有个痛点:超参数调优。

让我有一2个多多 多多厚度学习模型,可不可否 调节多个参数,如层数和大小等。在我写哪些地方地方文字的前一天(2019年初),谷歌和亚马逊提供了自动模型调优服务(Cloud AutoML,SageMaker)。

我预测手动调优迟早会灭绝,工程师们也会从这项繁琐的工作中解脱了。

总的趋势是,将困难的事变得容易,你无需深入理解就能实现更多的东西。过去的哪些地方地方伟大工程现在听起来相当一般,这些当我门儿不应该期望当我门儿现在的成就在将来有多好。

听起来很欢欣鼓舞是是不是,怎么才能 让,对于哪些地方地方在AI技术上投入巨资的公司和当时人来说,这可不可否 是个坏消息。目前来说,掌握这些AI技术还是是不是企业的竞争优势,怎么才能 让一2个多多 多多称职的机器学习工程师需合适几滴 的时间阅读论文,并前要扎实的数学背景。

怎么才能 让,随着工具的改进,清况 将不再可不可否 不可不可否 。读论文更多会转向读工具教程。让我可不可否 不可不可否 调快意识到你该关注的重点,一2个多多 多多带了数据更完备的实习生团队就怎么才能 让会抢走你的饭碗。

想长期保持竞争优势?难加进难!

当我门儿再回到文章开头的例子。凭借出色的数据集,Bob成功地与Alice展开竞争,推出了当时人的产品,并稳步增加了市场份额。他也慢慢可不可否 刚刚开始雇佣更好的工程师,怎么才能 让坊间传言他的公司是一2个多多 多多好去处。

但这前一天,又老出了一2个多多 多多Chuck,我人太好入局晚,但他比Bob更有钱。

在构建数据集时,钱至关重要。但通过砸钱来加快工程项目进度非常困难。事实上,使用可不可否 不可不可否 来太久新人怎么才能 让会减缓进度,但构建数据集就不同了。数据集前要几滴 人工操作,而让我通过雇用更多人手来甩掉它。另这些怎么才能 让是其他同学拥有数据,可不可否 不可不可否 你所要做的如果 支付数据使用费。

无论怎么才能 才能 ,钱能让数据集来得调快。

怎么才能 让问题报告 来了,为哪些地方Chuck可不可否 筹到比Bob更多的钱?

当创始人提出一轮融资时,当我门会努力平衡2个多多 多多怎么才能 让相互矛盾的目标。当我门前要筹集足够的资金在市场上竞争,但如果 可不可否 可不可否 来太久,怎么才能 让这会原因股权过度稀释。创始团队前要在创业公司中保持足够的股份,以免离开创业的动力。

当时人面,投资者希望投资具有巨大上升潜力的创意,但当我门前要控制风险。随着预期风险的增加,当我门会为支付的每一美元要求更大比例的股份。

当Bob筹集资金时,“人工智能我我人太好对产品有所帮助”不过如果 一2个多多 多多信念。无论他作为创始人多优秀,她的团队有多好,但有怎么才能 让他试图处里的问题报告 根本就难如登天。Chuck的清况 非常不同。他知道他面临的问题报告 删改可不可否 处里!

在你这些 清况 下,Bob的应对方式很怎么才能 让是提出另一轮融资,以便占据 有利位置,怎么才能 让他(暂时)仍然在竞争中领先。怎么才能 让,怎么才能 让Chuck可不可否 通过战略战略商务合作关系稳固获取数据呢?比如举个癌症诊断初创公司的例子,Chuck怎么才能 让利用他在一家重要医疗机构的內部职位,与该机构达成一份內部协议。这前一天, Bob很怎么才能 让无法抗衡。

你的产品需具备防御性,最好是十根“护城河”

AI的杠杆效应

对业务进行分类的这些方式是,它是直接增加价值,还是为这些这些价值来源提供杠杆效应。以一家电子商务公司为例,增加价值就像创造了新的产品线,建立新的分销渠道则是一2个多多 多多杠杆,削减成本也是杠杆。

杠杆怎么才能 让比直接施力更有效。怎么才能 让,杠杆仅在与直接价值来源耦合时才起作用。一2个多多 多多微小的数字,翻了两倍,三倍,还是很小。让我可不可否 不可不可否 可出售的部件,开辟新的分销渠道也如果 浪费时间。

在你这些 清况 下当我门儿应该怎么才能 才能 看待AI?有这些公司试图将AI作为当我门的直接产品(用于图像识别的API等),对一2个多多 多多AI专家,这怎么才能 让很有吸引力。

然而,这常并是是不是一2个多多 多多好的确定。首先,你是在Google和亚马逊等哪些地方地方大公司竞争。其次,开发真正有用的通用AI产品非常困难。这类,我总爱想使用Google的Vision API。不幸的是,当我门儿从未遇到过客户需求与产品充分匹配的清况 。总爱有各种各样要么开发欠缺要么开发过度的清况 。

更好的确定是将AI视为杠杆。

让我采用现有的,有效的商业模式,通过AI增强它。这类,怎么才能 让生产流程依靠人类的认知劳动,可不可否 不可不可否 将其自动化怎么才能 让会为毛利率带来显著提升。这里我前要想到的例子有:心电图分析,工业检查,卫星图像分析。同样令人兴奋的是,怎么才能 让AI属于辅助后端,仍然可不可否 利用非AI业务来保持公司的竞争优势。

结论

AI是一项真正的变革性技术。怎么才能 让,以此为基础创业是一件棘手的事情。你不应该删改依赖于AI技能,怎么才能 让市场趋势如果 技术会贬值。

构建AI模型怎么才能 让非常有趣,但真正重要的是拥有比竞争对手更好的数据。

保持竞争优势好难,有点是遇到比你资金更雄厚的竞争对手,你这些 清况 在你的AI创业进行时很怎么才能 让占据 。你的目标应该是创建一2个多多 多多可扩展的数据分类分类整理过程,而你这些 过程好难被竞争对手复现。

AI非常适合颠覆依赖低附加值、劳动重复性的行业,怎么才能 让它使该工作自动化成为怎么才能 让。

相关报道:

https://www.kdnuggets.com/2019/01/your-ai-skills-worth-less-than-you-think.html

本文由

大数据文摘

发布在

ITPUB

,转载此文请保持文章删改性,并请附上文章来源(ITPUB)及本页链接。

原文链接:http://www.itpub.net/2019/05/05/1749/