Тенденции в области искусственного интеллекта 2021 года - перспектива венчурного капитала.Исследования и аналитика

1. Готовые или долгосрочные инвестиции

Сегодня реальная возможность лежит на пересечении развития технологий ИИ и различных отраслей бизнеса. Дело не в машинном обучении само по себе, а в использовании этих полезных алгоритмических подходов к решению бизнес-задач. Речь идет о применении ИИ к «X».

У современных корпоративных фирм есть два варианта:

Они могут покупать общие API с поддержкой ИИ (Google, Amazon и т. Д.), Делиться своими данными и со временем терять контроль над вашей маржой.

Они могут инвестировать в собственную дорожную карту инноваций, создавать собственные команды специалистов по ИИ / машинному обучению и работать с прикладными вертикальными решениями ИИ. В этом случае они владеют данными и контролируют их, их команда может выполнять быструю итерацию продукта и настройку, а также поддерживать контроль над вашей маржой.

Практическая информация: готовые решения могут служить определенной цели, нет ничего постыдного в том, чтобы использовать их для правильного точечного решения, чтобы изучить технологию и начать получать опыт решения проблем. Однако в долгосрочной перспективе умные компании не будут использовать API-интерфейсы plug-and-play сами по себе, а будут использовать их как часть богатой экосистемы искусственного интеллекта — включая множество внутренних инструментов и новую инфраструктуру данных — все они будут работать над решением проблем и смогут разблокировать большие возможности.

Создание IP-адреса важно, но ваше отличие заключается в наличии уникальных обучающих данных. Предприятия будут переходить от понимания к прогнозированию и предписаниям к автономным процессам — и для того, чтобы разблокировать этот полный переход, необходимы собственные разработки и надлежащая инфраструктура.

2. Искусственный интеллект — настоящая глобальная война

Талант — важнейший актив для успеха в сегодняшней чрезвычайно конкурентной экономике. С годами ИИ, вероятно, автоматизирует рутинные и повторяющиеся аспекты многих рабочих процессов. Но отрасли требуется больше талантов AI / ML для создания сложных экспертных систем AI, программных архитектур и нового оборудования (микросхем AI). Некоторые из критических аспектов, которые мы заметили в отрасли, следующие:

Вопреки общим предположениям, исследования AI значительно менее открыты. Фактически, только в 15-ти % документов публикуется исходный код.

Согласно исследованию Gartner, проведенному в 2020 году, только около 53% проектов в области ИИ успешно проходят путь от прототипа до полного производства.

Профессоров ИИ подбирают крупные технологические компании, создавая критический разрыв и, как следствие, нехватку новых талантов, поступающих на рынок из академических кругов.

Практическая информация: применение ИИ — это не найм кандидатов наук, а команды, которые могут работать вместе и добиваться поставленных целей, сочетая опыт ИИ и глубокие экспертные знания в предметной области. Google и Facebook хотят скупать в своих поглощениях команды, а не только отдельных кандидатов наук в области ИИ, и это то, что должны понимать и другие предприятия.

Большие технологии, как правило, очень хороши для интеграции приобретенных продуктовых команд и предоставления им возможности продолжать выполнять свою работу. Предприятиям необходимо научиться проводить M&A с использованием ИИ. Удержать лучшие таланты в области ИИ сложно, но при слияниях и поглощениях приобретенные таланты часто нуждаются в передаче капитала, поэтому у вас есть время, чтобы удерживать лучшие таланты — и использовать их опыт для обновления своей команды, работая вместе над важными проектами ИИ.

3. Искусственный интеллект и инженерная стратегия

Отличается ли бизнес с ИИ от бинеса с более традиционным программным обеспечением?

В течение многих лет мы создавали программное обеспечение на основе кодов; вплоть до нескольких лет назад многие компании-разработчики программного обеспечения основывались на заранее определенных системах на основе правил. С течением времени мы перешли от сложных рабочих процессов разработки программного обеспечения к более позднему внедрению и распространению разработки без / с меньшим объемом кода.

Согласно недавнему отчету Forrester, рынок с низким уровнем кода должен достичь ежегодных темпов роста в 40%, при этом прогнозируется, что к 2022 году расходы вырастут до колоссальных 21,2 миллиарда долларов. Производительность, масштабируемость, интерпретируемость и надежность моделей ИИ высоки. будет определять и играть решающую роль в росте, скорости и инновациях бизнеса.

Практическая информация: крупные корпорации хотят работать с передовыми поставщиками ИИ, но у них нет инфраструктуры для его использования. Лидерам нужно подумать, смогут ли они вообще интегрировать и использовать ИИ.

Разворачивание ИТ-среды или среды данных только для использования единственного решения AI часто означает накопление технического долга. Правильное инвестирование в зрелость ИИ позволяет компаниям хорошо работать с поставщиками и интегрировать решения в единую экосистему для ИТ и данных, а не в серию произвольных песочниц.

4. Новые экосистемы данных

И Европейский Союз, и правительство США настаивают на разработке дополнительных политик и правил, устанавливающих новые стандарты и принципы обмена данными, конфиденциальности и безопасности. Интерфейсы прикладного программирования (API) автоматизируют обмен данными между отдельными приложениями, создавая новые возможности для инноваций.

На наш взгляд, API — один из наиболее недооцененных элементов так называемой цифровой трансформации или Четвертой промышленной революции. Перемещение данных для независимого обслуживания различных частей вашей системы требует абстрагирования конкретных и структурированных точек данных от сложных систем, и API-интерфейсы создали новые способы выполнения этого, некоторые из которых раньше считались невозможными. API-интерфейсы сегодня также быстро развиваются благодаря появлению облачных вычислений и, как следствие, сокращению затрат на обработку. Статические и фрагментированные отраслевые протоколы данных теперь заменены масштабируемыми подключаемыми модулями.

Передача данных и знаний в различные приложения и из них также повлияет на объем данных, который нам нужен для обучения новых моделей для создания новых сервисов.

Это означает использование алгоритма искусственного интеллекта, который предварительно обучен для задачи, в котором доступны данные, помеченные в качестве примера (например, идентификация автомобилей на изображениях), и передача этих знаний другому приложению, для которого мало данных (например, идентификация грузовиков). ).

Практическая информация: есть проблемы с очисткой данных, но есть также проблемы с перемещением, хранением и использованием данных — и нет единого решения, подходящего для всех.

Некоторые руководители предприятий предполагают, что как только они переносят свои данные в облако, они уже готовы, но конкретная оркестровка хранения данных и методов доступа будет сильно различаться в зависимости от сценариев использования. Корпоративным компаниям необходимо иметь возможность работать в нескольких облаках и на конечном этапе обработки — гибкость и открытость для этих вариантов критически важны.