Компании во всех отраслях изучают возможности ИИ для их бизнес-моделей. Хотя выявить варианты использования ИИ сложно, их реализация добавляет совершенно новый уровень сложности. В этом процессе один из самых фундаментальных вопросов, на который вы должны ответить, - строить или покупать. Как мы увидим в этом посте, ответ на этот вопрос редко бывает простым решением или / или.
Почему покупка ИИ как услуги (AIaaS) кажется очевидным выбором
Когда говорят об искусственном интеллекте, большинство людей думают о последних потребительских приложениях, таких как взаимодействие с Amazon Echo или Google Duplex для вызова ресторана для бронирования. Отчасти из-за этих хорошо известных приложений вы, естественно, можете рассматривать Amazon и Google в качестве потенциальных партнеров при планировании собственных инвестиций в ИИ. На самом деле, ваша интуиция не ошибется, поскольку есть несколько веских причин покупать ИИ как услугу у крупного поставщика услуг ИИ.
В целом для создания решений ИИ требуется четыре ингредиента, которые теоретически могут быть предложены внешними сторонними поставщиками услуг ИИ:
- Алгоритмы
- Данные
- Вычислительная мощность
- Люди
Алгоритмы:
Достижения в области ИИ по-прежнему в значительной степени обусловлены академическим сообществом, которое открыто публикует и публикует алгоритмы (и даже код). Поскольку в настоящее время многие из самых сложных алгоритмов доступны бесплатно, они не играют важной роли в процессе принятия решения о создании или покупке. Вот хороший репозиторий GitHub, в котором подробно описаны многие алгоритмы с открытым исходным кодом для многих языков программирования:
Данные:
Поскольку большинство приложений ИИ полагаются на контролируемое обучение, большие пулы данных являются не только предпосылкой для разработки решений ИИ, но качество и объем данных часто определяют точность и, следовательно, коммерческую выгоду соответствующей модели ИИ. В некоторых случаях поставщикам услуг искусственного интеллекта удавалось объединять собственные и сторонние данные в таком объеме и глубине, которые трудно сопоставить с любым отдельным предприятием. Примеры, когда отдельным компаниям было бы трудно разработать более эффективные собственные решения, включают классификацию изображений или обнаружение лиц.
Вычислительная мощность:
До облачной эры вычислительные мощности представляли собой серьезный барьер для входа. Если вы хотели разработать собственное решение для искусственного интеллекта, вам нужно было построить собственный суперкомпьютер - занятие трудоемкое и дорогостоящее. Сегодня вы можете просто использовать глобальную инфраструктуру поставщиков услуг искусственного интеллекта (Amazon Web Services и Microsoft являются крупнейшими). Это дешевле, гибче, и вы получаете надежные, масштабируемые и глобально доступные вычислительные мощности.
Люди:
Несмотря на недавний рост, академическое сообщество, работающее над машинным обучением - локомотивом современного ИИ - было довольно небольшим. Как следствие, в этой области работают лишь несколько опытных профессионалов. Возникшая в результате война талантов в области ИИ велась за счет увеличения предложения заработной платы и привела к концентрации опыта в области ИИ в нескольких компаниях, таких как Google и Facebook. Из-за такой концентрации талантов, а также из-за сложности и затрат на сбор первоклассной команды ИИ, вам может оказаться, что лучше сотрудничать с крупным поставщиком услуг.
Глядя на эти четыре ингредиента для создания решений искусственного интеллекта, кажется, что мы можем сделать только один вывод: покупайте! Поставщики услуг ИИ могут предложить экономичную и глобально масштабируемую инфраструктуру, более точные модели благодаря доступу к большему количеству данных, а также могут предоставить вам передовой опыт в области ИИ. Так зачем вам вообще создавать собственные проприетарные решения для искусственного интеллекта?
Почему аутсорсинг не работает во всех случаях
Хотя решение о покупке решений искусственного интеллекта кажется очевидным, в некоторых случаях использование внешнего поставщика услуг нецелесообразно. Например, все доминирующие поставщики услуг ИИ - это американские компании. Хотя все они предлагают локальные облачные решения, компании, работающие с особо конфиденциальными данными клиентов, могут не захотеть пользоваться их услугами из соображений конфиденциальности.
Точно так же вам не следует полагаться на поставщиков услуг ИИ, когда вы пытаетесь создать или поддерживать конкурентное преимущество на основе ваших собственных наборов данных. Ценность моделей ИИ в основном заключается в данных, используемых для обучения, тестирования и калибровки модели, поэтому следует избегать неосторожного обмена этим источником ценности с третьими сторонами.
Оба этих примера показывают, что полагаться только на сторонние решения для большинства компаний не получится. Ниже приводится базовая структура, которая поможет вам стратегически решить, когда покупать, а когда создавать собственные решения искусственного интеллекта.
Как узнать, когда создавать решения искусственного интеллекта собственными силами
Есть несколько ключевых исключений, о которых следует помнить при рассмотрении вопроса о найме собственных экспертов для создания собственных решений в области искусственного интеллекта. Как правило, вы можете рассматривать аутсорсинг как вариант по умолчанию, если вы не можете подтвердить хотя бы одно из следующих двух утверждений:
- У вас есть эксклюзивный или предпочтительный доступ к данным к соответствующим пулам данных.
- Вы видите стратегическую потребность бизнеса в использовании модели искусственного интеллекта (т. Е. Она имеет первостепенное значение для сохранения или создания конкурентного преимущества).
На следующем рисунке показано, как можно подойти к решению о создании или покупке, с разбивкой на три основных случая.
Создавайте собственные решения ИИ:
В ИИ практически нет готовых решений: новые архитектуры необходимо адаптировать к конкретным задачам прогнозирования, либо существующие архитектуры необходимо откалибровать для целевых наборов данных. Если ваша компания не только имеет эксклюзивный доступ к ценным данным, но и ваша бизнес-модель полагается на эти данные, создание собственной модели искусственного интеллекта, вероятно, будет вашей предпочтительной стратегией.
Например, бизнес-модели глобальных компаний по подбору персонала, таких как Хейс или Майкл Пейдж, основываются на гипотезе о том, что они позволяют компаниям эффективно нанимать лучших кандидатов. Через свою сеть они могут привлекать больше высококвалифицированных кандидатов, из которых они выбирают подходящих сотрудников на основе своего опыта. Выбор правильных кандидатов, несомненно, является ключевым конкурентным преимуществом, в то время как доступ к бесчисленному количеству успешных (и неудачных) решений о найме дает им эксклюзивный доступ к набору данных, с которым внешние поставщики услуг ИИ не могут сопоставить.
Если глобальная кадровая компания намеревается создать модель искусственного интеллекта, которая учится предсказывать, подходит ли кандидат для открытой вакансии, разработка собственной модели искусственного интеллекта должна быть стратегией выбора.
Привлекайте партнеров для совместной разработки решений ИИ:
Случай 2 состоит из двух сценариев, которые естественным образом дополняют друг друга. Если у вас есть эксклюзивный доступ к данным, но вы не используете их (полностью) в своем основном бизнесе, у вас может быть возможность совместно разрабатывать решения AI с сильным партнером (2A). И наоборот, если вы определили четкую стратегическую потребность бизнеса, но не имеете необходимых данных, вам также следует оценить новые способы сотрудничества (2B).
Например, страховые компании хотели бы предлагать индивидуальные страховые продукты в случае необходимости. Однако им трудно правильно персонализировать политики и правильно определять эти потребности. С другой стороны, розничные торговцы обычно имеют большие наборы данных о транзакциях клиентов. Если бы страховая компания знала, что клиент недавно начал покупать корм для собак, она могла бы предложить клиенту индивидуальный полис страхования хирургии собак в нужное время.
Неспособность сегодняшних страховых компаний предложить свои продукты в момент необходимости - одна из причин, по которым отрасль все еще опасается выхода на рынок такого гиганта, как Amazon. В общем, объединение данных между компаниями не обязательно должно происходить на уровне данных о клиентах, где GDPR по праву защищает права на конфиденциальность отдельных лиц. Но объединение также может быть выгодным для всех соавторов в отношении более общих отраслевых данных (цены, объемы и т. Д.).
Особенно в свете случаев 2A и 2B, где компаниям нетривиально решать, как действовать, важность стратегии данных становится очевидной. Компании должны стратегически определить свои будущие потребности в данных, одновременно планируя, как получить доступ к требуемым пулам данных (например, путем приобретения или сотрудничества).
Покупайте внешние решения для искусственного интеллекта:
Если вы не определили ни стратегических бизнес-потребностей, ни исключительного / предпочтительного доступа к релевантным данным, покупка внешних решений ИИ должна быть решением по умолчанию. Например, правильная классификация счетов и автоматизация обработки счетов не являются конкурентным преимуществом для большинства компаний. Таким образом, покупка внешнего ИИ-решения для получения преимуществ от автоматизации может повысить эффективность без риска потери ценных данных.
Проконсультируйтесь со специалистами, прежде чем выбирать стратегию "строить или покупать"
Ответ на вопрос о постройке или покупке всегда будет индивидуальным решением. Три представленных выше случая должны дать некоторое представление о том, когда стоит потратить дополнительное время, чтобы оценить, возможно ли создание проприетарного решения AI. Даже если вы решите создать и владеть ИИ-решением, вам следует проконсультироваться со сторонними экспертами (включая поставщиков услуг ИИ).
Создание модели искусственного интеллекта собственными силами не является решением за или против сторонних поставщиков, но оно позволяет вам сидеть и оставаться на месте водителя в отношении ключевых процессов, которые составляют конкурентное преимущество вашей компании.
Обсудите этот пост в Hacker News.
Примечание редактора: Heartbeat - это онлайн-публикация и сообщество, созданное авторами и посвященное предоставлению первоклассных образовательных ресурсов для специалистов по науке о данных, машинному обучению и глубокому обучению. Мы стремимся поддерживать и вдохновлять разработчиков и инженеров из всех слоев общества.
Независимая редакция, Heartbeat спонсируется и публикуется Comet, платформой MLOps, которая позволяет специалистам по обработке данных и группам машинного обучения отслеживать, сравнивать, объяснять и оптимизировать свои эксперименты. Мы платим участникам и не продаем рекламу.
Если вы хотите внести свой вклад, отправляйтесь на наш призыв к участникам. Вы также можете подписаться на наши еженедельные информационные бюллетени (Deep Learning Weekly и Comet Newsletter), присоединиться к нам в » «Slack и подписаться на Comet в Twitter и LinkedIn для получения ресурсов, событий и гораздо больше, что поможет вам быстрее и лучше строить модели машинного обучения.
