Это первая из семи статей в серии, посвященной цепочке создания ценности машинного обучения, в которой рассматривается каждый из шагов, на которых создается ценность в самой популярной технике искусственного интеллекта — машинном обучении.
ИИ — один из самых часто используемых терминов в техническом лексиконе, или, осмелюсь сказать, texicon. И выхода нет, поскольку ИИ проникает во все большее число отраслей и профессиональных областей. Но ИИ — это всего лишь общий термин, и важно понимать, на что на самом деле ссылается большинство людей и в чем заключается ценность.
Когда вы слышите, как кто-то говорит «ИИ», вполне вероятно, что он или он, осознает это или нет, говорит о машинном обучении и, в частности, о глубоком обучении. Уже существует ряд отличных ресурсов, которые объясняют эти концепции, поэтому я не буду изобретать велосипед здесь. Вместо этого я хочу поговорить о цепочке создания ценности ИИ через призму машинного обучения.
Цепочка создания ценности начинается с данных. И вы, наверное, тысячу раз слышали, что данные — это новая нефть. Ну, используя эту аналогию, вы также можете думать о данных как о восходящем потоке, требующем много уточнения, прежде чем они смогут использоваться отдельными лицами. Что происходит между началом и концом? Хороший вопрос. Цепочка создания стоимости машинного обучения состоит примерно из 6 шагов, которые проходят последовательно слева направо или от восходящего потока к нисходящему. Эти шаги показаны ниже.
Выполнение этой цепочки создания стоимости — сложная задача, требующая от экспертов, а именно специалистов по данным, наличия полного набора различных программ для каждого шага, не говоря уже о дорогом оборудовании (149 000 долларов за DGX-1, кто-нибудь?) для запуска программного обеспечения. Отчасти поэтому специалисты по данным, особенно специалисты по искусственному интеллекту, распоряжаются деньгами спортсменов, а их зарплаты начинаются с 500 000 долларов. высший доллар за редкие, опытные таланты. Но это другой разговор. Что важно для этой дискуссии, так это знать, что за этим общим, чрезмерно используемым термином — ИИ — стоит цепочка шагов, которая требует высококвалифицированных экспертов, использующих сложные инструменты для создания ценности. И если вы хотите вразумительно говорить об ИИ, вы должны понимать эту цепочку создания ценности машинного обучения. Итак, в следующий раз, когда вы услышите, как кто-то разбрасывается такими терминами, как ИИ, вы можете спросить: Вы говорите конкретно об машинном обучении? И если да, вы можете подумать, Какая часть цепочки создания стоимости актуально?
______________________________
Ресурсы:
Форрестер. Общий экономический эффект NVIDIA DGX-1. https://www.e4company.com/imgs/dwnld/20/Forrester%20Consulting-%20The%20Total%20Economic%20Impact%20of%20NVIDIA%20DGX-1.pdf
Маккинзи и компания. Руководство по искусственному интеллекту для руководителей. https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/an-executives-guide-to-ai
NVIDIA. SuperVize Me: в чем разница между контролируемым, неконтролируемым, полуконтролируемым и дополнительным обучением?https://blogs.nvidia.com/blog/2018/08/02/supervised-unsupervised-learning/