حالة التعلم العميق: من منظور المطور و VC
نشرت: 2017-09-05يناقش نيخيل كابور حالة التعلم العميق ، أولاً كمطور طلابي والآن كمدير رأسمالي
قضيت أحد أيام السبت في ورشة عمل التعلم العميق و TensorFlow في مكتب المستوى 3 العملاق لشركة Unilever Foundry و Padang.co. لقد كان يومًا ممتعًا للانغماس في عالم التطوير مرة أخرى ، واستمتعت بجميع المحادثات مع زملائي ، أحدهم يدير شركة عائلية ويتعلم ML / التعلم العميق كهواية (إنه متحمس للبرمجة) والآخر من تتطلع إدارة التسويق في زالورة إلى تطبيق بعض الذكاء الاصطناعي في عملها.
بدأنا بإعداد TensorFlow و Keras (تجريد عبر TensorFlow) على أجهزتنا ، ثم بدأنا في حل بعض مشكلات التعلم العميق الشائعة والأمثلة مثل استخدام مجموعة بيانات MNIST. بدءًا من نموذج بسيط للغة البرمجة اللغوية العصبية للتعرف على النص ، انغمسنا في الشبكات العصبية التلافيفية ، والتي اتضح أنها ممتعة حقًا للتلاعب بها.
كنا نستخدم نماذج مدربة مسبقًا على الرفوف ، مثل Inception V3 ولكننا كنا نلعب بمجموعات البيانات الخاصة بنا ونعيد تدريب النموذج لحل مشكلات مختلفة مثل "هل هذه قطة أم كلب؟" كان الهدف من الفصل هو فهم أساسيات التعلم العميق وتجربة المعلمات والميزات. إذا كنت تشعر بالغيرة الآن ، فأقترح أن تذهب وتلعب مع playground.tensorflow.org ، فقد كان أسهل جزء من ورشة العمل للحصول عليه!
صرخة ضخمة لسام ويتيفين ومارتن أندروز لتنظيم هذا. أذكر هنا بعض وجهات النظر التي أتيت بها ، وحيث أرى التعلم العميق والذكاء الاصطناعي بشكل عام ، وخاصة من منظور رأس المال الجريء.
التعلم العميق من منظور المطور
لإعطاء القليل من الخلفية ، لقد تلقيت قدرًا لا بأس به من التعرض لـ "AI". في السنة الثانية من الكلية ، تدربت في ذراع الاستشارات التكنولوجية لشركة Deloitte. جنبًا إلى جنب مع صديقي أوجوال داسجوبتا ، الذي انتهى به الأمر لاحقًا في الحصول على درجة الماجستير في ML وهو الآن في Google ، أمضيت شهرين في إجراء عملية ETL محسّنة (استخراج وتحويل وتحميل) على IBM Datastage ، وهو برنامج تخزين بيانات. في ذلك الوقت ، قدمني أوجوال ، الذي كان دائمًا يتطلع إلى الأمام أكثر مما كنت عليه ، إلى التنقيب عن البيانات ، وبدأت في متابعة محاضرات أندرو نج ودوراته التدريبية عبر الإنترنت.
الصيف المقبل ، مفتونًا بالوقت الذي قضيته بالفعل في هذا الموضوع ، أردت الغوص بشكل أعمق في ML. كنت محظوظًا بما يكفي لتعييني في مشروع في Mozilla لتحسين أداء Firefox باستخدام مترجم قائم على التعلم الآلي - Milespot GCC. باستخدام مترجم ML هذا ، تمكنت من تجميع كود Mozilla Firefox لتحقيق تحسن بنسبة 10٪ تقريبًا في وقت تحميل البرنامج.
ثم بالنسبة لأطروحتي الأخيرة ، لم يكن هناك طريقة يمكنني من خلالها التخلي عن ML. لقد تعاونت مع DFKI ، المعهد الألماني للذكاء الاصطناعي للعمل في مشروع صعب للغاية ، باستخدام كاميرا ويب بسيطة لتتبع العين. كان الفريق في DFKI يستخدم هذا لتطبيق معين ، Text 2.0. كانوا يستخدمون كاميرا خاصة عالية الدقة لتتبع عينيك وبالتالي زيادة النص بميزات رائعة مثل التمرير التلقائي والترجمة التلقائية والقاموس المنبثق وما إلى ذلك.
قررنا أن نفعل الشيء نفسه مع كاميرا ويب بسيطة لأنه لم يكن لدى أي شخص في الهند المال لشراء تلك الكاميرا عالية الدقة الخاصة. على وجه الدقة ، لقد فشلنا في ذلك ، وحققنا فقط حوالي 70 ٪ من الدقة في تتبعنا. لكنه كان أحد أكثر المشاريع إثارة التي عملت عليها.
موصى به لك:
كيف ستحول Metaverse صناعة السيارات الهندية
ماذا يعني توفير مكافحة الربح بالنسبة للشركات الهندية الناشئة؟
كيف تساعد الشركات الناشئة في تكنولوجيا التعليم في تطوير مهارات القوى العاملة في الهند وتصبح جاهزة للمستقبل ...
الأسهم التقنية في العصر الجديد هذا الأسبوع: مشاكل Zomato مستمرة ، EaseMyTrip تنشر Stro ...
تتخذ الشركات الهندية الناشئة اختصارات في مطاردة للتمويل
منصة التسويق الرقمي Logicserve Bags INR 80 Cr Funding، Rbrands as LS Dig ...
فلماذا أشعر بالملل بتفاصيل هذا؟ في الغالب لإعطائك القليل من التاريخ إلى حيث كان الذكاء الاصطناعي عندما كنت أتعمق في الهندسة. حتى قبل عقود ، كان التعلم العميق و ML موجودًا بالفعل ، ولكن في السنوات العشر الماضية فقط شهد هذا المجال بلوغه سن الرشد. ما الذي تغير بالضبط في السنوات القليلة الماضية؟
حسنًا ، على سبيل المثال ، أخذنا قانون مور إلى نقطة أصبحت فيها تكلفة التخزين والمعالجة ضئيلة للغاية بالنسبة لشخص ما لتنفيذ ML في منزله. يمكنك الآن تشغيل جميع الطرز الأساسية إلى حد كبير على جهازك الخاص ، وإذا اشتريت وحدة معالجة رسومات جيدة (والتي لم تعد مكلفة بعد الآن) ، فيمكنها تحسين وقت الحوسبة بمقدار 10x تقريبًا لتتمكن من تشغيل نماذج معقدة.
مجلة Wired لديها قطعة رائعة عن هذا التغيير.
عدد الترانزستورات في الرقائق على مدار العام (لاحظ أن المحور الصادي هو مقياس لوغاريتمي!). المصدر: Assured-Systems
الشيء الآخر الذي تغير هو أن الشركات أدركت الحاجة إلى الأتمتة. نتيجة لذلك ، بينما زاد نشاط الاندماج والاستحواذ في هذا المجال بشكل كبير ، كان أصحاب رأس المال الاستثماري يضخون الأموال في هذا المجال على مدار السنوات الخمس الماضية.
نظرة المستثمر على التعلم العميق
إذن ، أين نقف الآن وكيف يجب على المستثمر أو الشركة الناشئة رؤية هذا الضجيج الشديد للذكاء الاصطناعي؟ كما أراها ، هناك أربعة جوانب رئيسية لبدء تشغيل الذكاء الاصطناعي ، وكلها تحتاج إلى العمل معًا لتشكيل شركة قوية.
- الموهبة: كل شيء يبدأ هنا. أثناء بدء التشغيل ، من الواضح أن الفريق هو الجانب الأكثر أهمية ، في أي شركة ناشئة للذكاء الاصطناعي هو المحرك الحقيقي للشركة. سيكون الوصول إلى موهبة قوية في علوم البيانات وهندسة الكمبيوتر لتحسين تلك النماذج المبنية مسبقًا أمرًا أساسيًا للشركات الناشئة في مجال الذكاء الاصطناعي ، ولهذا السبب من المرجح أن يكون للشركات الناشئة الأمريكية والصينية زمام المبادرة في مناطق جغرافية أخرى. سنغافورة لديها شريحة صغيرة من موهبة علوم البيانات ومن المحتمل أن تكون مكانًا جيدًا لتأسيس شركة الذكاء الاصطناعي الخاصة بك. ومع ذلك ، من المرجح أن ينتهي المطاف بأفضل المواهب بالذهاب إلى عمالقة التكنولوجيا إما عضويًا أو غير عضوي. كان استحواذ Google على DeepMind بالضبط هذا ، مسرحية لاكتساب بعض أفضل العقول في التعلم العميق.
- البيانات: إذا كان الفريق هو المحرك ، فإن البيانات هي البنزين في بدء تشغيل الذكاء الاصطناعي. بدون كميات كبيرة من البيانات النظيفة والمنظمة ، من غير المحتمل أن تكون قادرًا على الحصول على أي دقة من نظامك المدرب الذي يعوق تطبيقات الأعمال. نظرًا للاعتماد الأساسي لإمكانيات التنبؤ للنموذج على البيانات التي يتم تغذيتها ، فمن المرجح أن تتمتع الشركات الكبيرة بميزة كبيرة على الشركات الناشئة الصغيرة في التوصل إلى أنظمة أفضل وأكثر دقة. هذه فكرة مقلقة والطريقة الوحيدة لكسر القالب ستكون من خلال توليد البيانات الخاصة بك والاستفادة منها. سيكون نظام السجلات مثل Salesforce أمرًا بالغ الأهمية في هذا الجانب.
- النموذج: يقوم جميع عمالقة التكنولوجيا الكبرى حاليًا بإطلاق أنظمة الذكاء الاصطناعي الخاصة بهم (منصة التطوير والمكتبات والنماذج المدربة) لإنشاء منصة لتطوير الذكاء الاصطناعي في المستقبل. لم يتحدد بعد من سيفوز بالحرب ، لكن الحاجة إلى إنشاء نماذج من الصفر ستنتهي عاجلاً أم آجلاً. فقط بالنسبة للأنظمة المعقدة بالفعل ، ستكون هناك حاجة لبدء بناء النماذج الخاصة بك من الأساسيات ، ولكن في معظم الحالات ، سيكون عالم البيانات الخاص بك قادرًا على إعادة استخدام النماذج الجاهزة وإعادة تدريبها باستخدام البيانات الخاصة. كيف تعرف أنك وصلت إلى أفضل نموذج ممكن رغم ذلك؟ Numerai ، بدعم من Union Square Ventures ، يعالج هذه المشكلة بطريقة ذكية للغاية ، من خلال التعهيد الجماعي لخبراء ML وتحفيزهم ماليًا لبناء نماذج أفضل.
- مشكلة العمل: هذا هو المكان الذي تصبح فيه الأشياء مثيرة للاهتمام. أولاً ، لا يهتم المستخدم بما إذا كانت أنظمتك مؤتمتة أم لا. تهدف أنظمة الذكاء الاصطناعي إلى تحسين مؤسستك والحصول على آلة تؤدي مهمة الإنسان ، وليس لإبهار المستخدم. ومن ثم ، فإن حل مشكلة عمل معينة هو المفتاح لمنح تجربة مستخدم جيدة وبالتالي زيادة الالتصاق.
ثانيًا ، سيقتصر معظم عمالقة التكنولوجيا أنفسهم على بناء منصة واسعة وعامة. بينما تقفز شركات التكنولوجيا مثل Salesforce و Hubspot وما إلى ذلك على الذكاء الاصطناعي ، فمن المرجح أن تكون شركاتهم طريقًا للاستحواذ. أعلنت Salesforce بالفعل عن أينشتاين (على الرغم من أنها لم تتابع إعلاناتها بشكل صحيح بعد) وتقوم Hubspot بالكتابة كل أسبوع عن الذكاء الاصطناعي على مدونتها. إنه يوضح فقط مدى اهتمامهم بالميدان ولكن أيضًا مدى صعوبة استهدافهم لمشكلات معينة. هذا هو المكان الذي توجد فيه الفجوات التي يمكن أن تستغلها شركة ناشئة وتسعى شركة Saleswhale الخاصة بنا بالضبط بعد هذا المسار.
في نظري ، إذا تمكنت شركة ناشئة من حل مشكلة مستهدفة للغاية من خلال الأتمتة والتي تؤثر على عدد كافٍ من الأشخاص الذين يستخدمون بيانات الملكية التي تجمعها أنظمتها في الطريق ، فمن المحتمل أن تكون شركة مربحة للغاية مع وجود حواجز قوية للدخول. ومع ذلك ، بقدر ما أستطيع أن أرى ، من غير المرجح أن تكون هذه فرصة بحجم وحيد القرن في المنطقة ، ليس بينما لا يزال عمالقة التكنولوجيا على قيد الحياة.
[ظهر هذا المنشور لنيخيل كابور لأول مرة على ميديوم وأعيد نشره بإذن.]