如何从人工智能产业中受益


1. 数据是核心

这一轮的人工智能实际上是数据智能,深度学习算法通过输入数据训练算法,学习数据中隐藏的模式,最终实现分类和回归的任务。从而可以解决一大类以前对人类简单,但对机器很难的问题,例如:

  • 人脸识别
  • 车牌识别,交通统计
  • 物体分类

人工智能系统的三大要素:

  • 数据
  • 计算资源(服务器,GPU)
  • 算法工程师

计算资源只要花钱就能买到,算法工程师更多是工匠,除非顶级的算法工程师,否则差别不会特别大。因此人才和计算资源都是通用的,难以差异化。

数据,尤其是与行业结合的数据,其他人获取不到,才可能成为真正稀缺的资源。

如李开复所说,AI产业已经从发明时代进入了实干的年代,重点在于取得行业数据,解决细分领域的问题。

2. 训练才能成长

有监督的学习,通过训练提升性能。

反馈的方式:

  • 客观结果
    下围棋的输赢
  • 专家结果评价

3. 方向的选择

判断模式相对复杂,但结果很明确的领域

  • 商品推荐和广告服务
    电商和社交网站
  • 投资
    金融机构
  • 法律文档
    法律行业,专利检查、审核
  • 报税系统

医疗影像等行业的切入方式:

  • 巨头大平台信誉可靠
    Google+DeepMind,腾讯
  • 专业公司+医院合作
    依图+华西医院
  • 医疗器械厂商自己做
    如鱼跃医疗

细分领域的应用:

  • 按大小分拣黄瓜,CV系统
  • 分析动物迁徙路线,CV识别
  • 风格迁移,CV迁移学习

让机器为自己干活

TODO:

  • 熟悉训练深度学习模型的套路
    掌握如何成功训练模型的方法论
  • 能够评估训练一个业务的资源消耗
    需要多少GPU计算资源(费用),耗费多少人力,有哪些风险
  • 找到深度学习的应用场景,能对接的业务性质
  • 利用起原有的行业资源

4. AI应用的思考

明确目标

做窄应用,限定的场景
弱人工智能,宜窄不宜宽,宜特定不宜宽泛

领域

优势在于数据和行业经验

要回答的问题:

  • 领域是否有数据
  • 数据是否有壁垒
  • 是否能够定义出可以用人工智能解决的问题
  • 是否被市场接受
  • 大公司是否做同样的事情
    • 信任问题
    • 挤压问题

最好和行业场景以及传感硬件结合,拿到大公司拿不到的数据。

开发

是否有清晰客观的结果
??
没有理解

运营

算法上的优势很难构成核心优势。

把优势控制在数据+行业经验

了解行业的痛点。

个人思考

利用信息不对称赚钱

用现有的成熟AI方法,对传统行业降维打击。
比训练模型刷百分点更有意义的是,找到更合适通用AI的应用场景,结合新的行业需求。

你可能感兴趣的:(如何从人工智能产业中受益)