Смерть машинного обучения как сервиса и распространение «вертикальных» проектов: 5 трендов ИИ на 2017 год Статьи редакции
http://www.bradfordcross.com/blog/2017/3/3/five-ai-startup-predictions-for-2017
Технологический инвестор Брэдфорд Кросс опубликовал в своём блоге заметку о пяти основных трендах среди проектов в области искусственного интеллекта в 2017 году. Редакция vc.ru публикует адаптированный перевод материала.
«Повальное увлечение технологиями искусственного интеллекта в 2017 году наконец захлебнётся — многие поймут, что в основном такие алгоритмы пока ничего не могут предложить. Парадоксально, но 2017 год также станет годом прорывов в этой области», — пишет автор заметки.
Он полагает, что в 2017 году появится много стартапов, работающих в сфере искусственного интеллекта, которые станут развиваться «вертикально» — то есть решать проблемы в одной области, охватывая её полностью. Автор собрал пять трендов в отрасли, которые, по его мнению, раскроются в течение года.
1. Падение ботов
«Весь последний год представители ИТ-индустрии активно обсуждали ботов. Вообще под ботом технические специалисты понимают технологию, которая обладает четырьмя основными свойствами: она реагирует на окружающую среду, она автономна, целеустремленна и настойчива», — пишет автор.
Но в 2016 году ИТ-компании решили узурпировать термин «бот» и стали называть так всё, что автоматизирует какую-то часть их работы.
«Автоматизация бизнес-процессов, конечно, никуда не денется, но ажиотаж вокруг ботов утихнет», — считает Кросс. Он видит несколько причин этого явления:
- Боты и платформы, которые их используют, часто не предполагают социальной составляющей. В то же время пользователям постоянно приходится выбирать между социализацией и персонализацией — и побеждают, считает Кросс, сервисы вроде Facebook, которые в равной мере предлагают и то, и то. «Боты не обладают социальным интеллектом и не могут распознавать потребности человека — поэтому они не смогут ни привлечь, ни удержать пользователей».
- Разговорные интерфейсы зачастую не слишком эффективны по сравнению с визуальными. «Визуальные интерфейсы гораздо интереснее, а кроме того, они существуют гораздо дольше и могут решать больше задач. Конечно, разговорные интерфейсы тоже могут полезны в ряде задач. Но в 2017 году мы увидим, как многие приложения пересматривают своё отношение к ним».
При этом Кросс замечает, что он не считает технологии искусственного интеллекта недостаточно хорошими для решения каких-то задач. По его словам, проблема в том, что до сих пор не ясно, хотят ли люди использовать такие системы в обычной жизни.
2. Распространение систем глубокого обучения
«Сейчас все сходят с ума по глубокому обучению. Глубокое обучение (для тех, кто не разбирается в терминах) — это область машинного обучения, а машинное обучение, в свою очередь, — область искусственного интеллекта. И это оно сейчас быстро развивается и помогает решать глобальные задачи — поэтому многие компании внедряют технологии глубокого обучения в свою работу».
Технологии глубокого обучения, например, помогают решать задачи компьютерного зрения. «Google, Facebook, Twitter, Uber, Microsoft, Salesforce — эти алгоритмы сейчас используют все. Из вузов выпускается масса специалистов области. Ещё 4 года назад ситуация была совершенно иной — поэтому я думаю, что глубокое обучение — один из трендов 2017 года».
Кросс замечает, что под распространением глубокого обучения подразумевает рост спроса на профильных специалистов и разработанные ими технологии, а не появление новых компаний, занимающихся созданием подобных алгоритмов и платформ.
3. Искусственный интеллект — новый «клинтех» для инвесторов
Технологии Cleantech всегда интересовали инвесторов — из-за того, что они решают глобальные проблемы и «может показаться, что на этом можно хорошо заработать», пишет Кросс. «Это не прибыльный бизнес. Бизнес можно построить на чём-то, для чего реально найти покупателей».
В качестве работающих примеров «клинтеха» часто приводят Tesla и SolarCity, но нельзя забывать, что в этих компаниях «чистые» технологии — лишь часть продукта. Нельзя построить продукт полностью на «чистой» технологии — это вряд ли сработает. Крупный бизнес ставит на первое место потребности клиентов, а не технологический тренд.
«Солнечная энергия — это не рынок, а технология. Так и искусственный интеллект — это не рынок, а технология. Но венчурные фонды поддаются тренду, и им становится сложнее трезво оценивать компании», — объясняет автор материала.
По мнению Кросса, такая ситуация провоцирует появление незрелых компаний без продукта и лжеэкспертов на рынке. Кроме того, большинство таких проектов вскоре закроются, а инвесторы потеряют на них средства.
4. Машинное обучение как сервис погибнет — снова
Модель MLaaS (Machine Learning as a Service), замечает, Кросс, существует уже не менее 10 лет, но проекты, работающие по ней, чаще всего проваливаются. «Она не работает просто потому, что люди, которые понимают, зачем им машинное обучение и как оно устроено, используют технологии с открытым исходным кодом, а те, кто этого не знает, не смогут работать и с API», — объясняет он.
При этом продавать свои платформы машинного обучения продолжают как небольшие, так и крупные компании — вроде Microsoft, Amazon и Google — в рамках своих «облачных» наборов инструментов.
Но я не встречал компаний, которые действительно используют эти API. У MLaaS-проектов просто нет аудитории.
5. Компании, ориентированные на одну вертикаль бизнеса
По мнению Кросса, один из главных трендов 2017 года — появление и развитие компаний, которые с помощью искусственного интеллекта решают проблемы из одной выбранной сферы, и при этом создают законченный продукт.
«ИИ изменит все отрасли. Такие вертикальные стартапы смогут вобрать в себя и экспертизу, и данные, и производство продукта — и выдать конечный результат. Который окажется востребован среди клиентов. Эти проекты даже смогут найти проблемы, которые невозможно решить без технологий искусственного интеллекта», — объясняет Кросс.
4 пункт очень верно описывает текущую ситуацию, но не точен вывод. MLaaS не умрут, они научатся предоставлять нормальный интерфейс, принимать любые датасеты, применяя для пре-процессинга те же алгоритмы ML, в общем – работать конструктором. Произойдет это в горизонте года - двух.
А я думаю не научатся, и опять же зачем, если ""люди, которые понимают, зачем им машинное обучение и как оно устроено, используют технологии с открытым исходным кодом, а те, кто этого не знает, не смогут работать и с API"".
Для кого делать такой универсальный конструктор (это ещё и непросто будет сделать).
Не могу согласиться. В первую очередь потому что тот же azure ml studio требует куда как меньше знаний чтобы получить результат. К примеру, некоторые задачи уже сейчас можно решить без написания кода вообще. Сейчас там программировать нужно только для подготовки данных, если стандартных блоков не хватает (редко).
Кстати, у того же Яндекса есть какая-то внутренняя ML-система с графическим конфигурирование. Это позволяет использовать данные многим сотрудникам, а не только аналитика.
Тем более, что базовое представление о технике анализа можно получить за несколько недель.
Хотел это же написать: мы как раз делаем такой конструктор для сферы NLP, чтобы решить проблему отсутствия многих нужных для бизнеса датасетов и их разметки
Интересный вывод насчёт сервисов ML. Ещё одним препятствием к подобной модели будет безопасность и контроль над данными.
Бот без big data, как аутист, не слышит никого кроме себя. Почему будут успешны ИИ от соцсетей, так это потому, что они на основе нашего поведения в сети имеют представление о том, кто мы и что нам нужно.