Внутри феномена ИИ как услуги
И загляните в последний сборник игр AWS
В своем письме акционерам от 2017 года Джефф Безос намекнул на новую волну продуктов AWS с добавленной стоимостью — API на основе ИИ.
«Amazon Lex (то, что внутри Alexa), Amazon Polly и Amazon Rekognition снимают тяжелую работу с понимания естественного языка, генерации речи и анализа изображений. Доступ к ним можно получить с помощью простых вызовов API — никаких знаний в области машинного обучения не требуется. Наблюдайте за этим пространством. Многое еще впереди». — Джефф Безос
В прошлом AWS предусмотрительно формировала тенденции и не отставала от них, будь то размещение DBaaS (управление базой данных как услуга) или даже размещение служб обмена сообщениями и служб приложений. И есть все основания полагать, что эта новая волна продуктов окажется столь же успешной.
Несмотря на то, что концепция AI-as-a-Service перегружена модными словечками — AI и SaaS, в конце концов, являются движущими тенденциями дня — стоит взглянуть на основные факторы, которые могут сделать эту тенденцию плодотворной.
Фактор № 1: Технологии любят абстракции
Если я и видел дальше, так это стоя на плечах гигантов.
Эта поговорка не более верна, чем в контексте программного обеспечения. Самые простые современные программные приложения имеют уровень сложности, который превосходит уровень сложности приложений даже несколько лет назад. Это связано с тем, что программные проекты в значительной степени зависят от библиотек и API-интерфейсов, которые исключают необходимость изобретать велосипед.
В то время как разработчики ИИ имеют доступ к полезным предварительно обученным сетям и упрощенным платформам, API-интерфейсы, которые автоматизируют задачи от начала до конца, еще не стали массовыми. То есть эквиваленты ИИ в Twilio еще не появились.
Если вашему приложению требуется поддержка преобразования голоса в текст, до недавнего времени у вас не было иного выбора, кроме как добавить несколько дополнительных месяцев к графику разработки продукта, пока ваши специалисты по данным и разработчики собирают масштабируемый голосовой модуль. Теперь с такими вариантами, как Amazon Polly, голосовая интеграция — это вопрос простой интеграции API. Это что-то!
Фактор № 2: Машинное обучение на самом деле сложно
Несколько бесплатных курсов по Udacity — это все, что нужно хорошему разработчику, чтобы прийти к выводу, что ИИ — это просто. Совокупность стандартных задач и обучающих наборов данных на первый взгляд кажется, что решить эти задачи несложно.
Реальность такова, что решения для конкретной предметной области требуют тщательной проверки наборов данных и итеративной настройки гиперпараметров.
Более того, цифры, которые на первый взгляд выглядят хорошо в академической статье, не годятся, когда речь идет о бизнес-потребностях вашей компании. Сначала вас может впечатлить научная статья, в которой описывается алгоритм сопоставления артикулов на сайтах розничной торговли с точностью до 90%. Но если бы я сказал вам, что это приводит к 1 миллиону ошибочных записей при масштабировании до корпуса из 100 миллионов продуктов, вы, вероятно, сделали бы двойную попытку.
Клиенты требуют качества, и это требует, чтобы ваши специалисты по данным работали над тем, чтобы получить каждый последний процент улучшения. Компании, которые понимают эту реальность, скорее всего, раскошелятся на подписки SaaS, необходимые для получения доступа к лучшим на рынке моделям глубокого обучения, и позволят своим командам сосредоточиться на том, что нужно, чтобы выделить их организации.
Фактор № 3: Спрос на ИИ
Когда ваш конкурент запускает функцию, которая выводит его предложение на новый уровень, у вас есть два варианта — не отставать или смотреть, как поезд проезжает мимо вас. А современный ИИ обеспечивает именно такие улучшения, которые могут изменить игровое поле за одну ночь.
Учитывая это, вполне вероятно, что даже небольшие перестановки в отрасли вызовут рост спроса, которого раньше не было. Входите по сигналу — пакетные API-интерфейсы, которые помогают компаниям догнать своих конкурентов.
Фактор № 4: Высокая стоимость создания моделей
Большая часть затрат на создание моделей машинного обучения сосредоточена на этапе обучения (подумайте об этом как о создании алгоритма), а не на этапе развертывания (что требуется для выполнения подготовленного алгоритма). И эта стоимость нетривиальна — нанимать специалистов по данным дорого, а затраты на инфраструктуру, связанные со значительными проектами, значительны.
Экономика этой установки идеально подходит для подхода, ориентированного на API. Один игрок берет на себя капитальные затраты на модели обучения и делает их доступными с наценкой по сравнению с затратами на развертывание для ряда заказчиков, работающих на последующих этапах, обеспечивая экономическую выгоду для всех участников!
Фактор № 5: обучающие данные не демократизированы
Прелесть революции глубокого обучения заключается в том, что знания и код, лежащие в ее основе, в значительной степени открыты. Это дает любому возможность обучать свои сети, используя самые современные методы.
К сожалению, высококачественные обучающие данные, от которых так зависит глубокое обучение (о которых мы писали ранее), не так легко доступны. Помимо обобщенных наборов данных, выпущенных для академических целей, наиболее ценные наборы данных для конкретной предметной области находятся за брандмауэром, то есть находятся в частной собственности. Это означает, что некоторые компании должны иметь возможность создавать лучшие модели, чем другие, независимо от таких факторов, как качество команды и доступность финансирования.
Как избежать зимы вашего личного ИИ
Дело не в алгоритмах — дело в данных, дурачок!blog.semantics3.com
Компании, которые обнаруживают, что у них нет наборов данных, необходимых для соответствия их амбициям, будут искать в другом месте — к компаниям, которые владеют/создают/арендуют наборы данных, необходимые для построения этих моделей.
Фактор № 6: множество повторяющихся задач
Vertical SaaS — это SaaS-компания, ориентированная на клиентов в определенном секторе, таком как здравоохранение или СМИ. Horizontal SaaS — это SaaS-компания, которая будет продаваться каждому в любом секторе. — Блоссом Стрит Венчурс
AI API можно рассматривать через ту же призму, что и SaaS-компании — горизонтальную или вертикальную. Google NLP API и Amazon Lex являются примерами горизонтальных API, поскольку их полезность не ограничивается какой-то одной вертикалью. Собственные API категоризации и API извлечения функций от Semantics3 являются примерами вертикальных API, поскольку они ориентированы исключительно на потребности компаний электронной коммерции.
В то время как мы начали наблюдать волну горизонтального AI API, выходящего на рынок, мы едва видели верхушку айсберга, когда речь заходит о вертикальных API AI. Подумайте о возможностях, которые ждут вас впереди: медицинские API для медицинских учреждений, API электронной коммерции для розничных продавцов и брендов, API маршрутизации для логистических компаний, которые могут извлечь выгоду…
В каждом из этих случаев у разработчиков есть возможность настроить свои модели под потребности очень конкретной группы клиентов, что повышает вероятность того, что готовые решения будут идеально соответствовать ожиданиям клиентов.
Объем возможностей, предлагаемых только через вертикальные API, делает вероятным то, что AI-as-a-Service станет заметной тенденцией.
Маяки для волны AI API, безусловно, мигают. Теперь еще предстоит увидеть, как это повлияет на технологические стратегии компаний, благодаря чему вендоры выиграют, и, что особенно важно, как это поможет ускорить демократизацию машинного обучения.
