快捷搜索:穿什么衣服打麻将赢钱  

穿什么衣服打麻将赢钱-90%人工智能公司都亏损?AI盈利难背后的大数据门槛

穿什么衣服打麻将赢钱,90%人工智能公司都亏损?AI盈利难背后的大数据门槛。

AI登陆场景不断增加,但赚钱仍然很困难。

根据这份数十亿美元的报告,在2018年全年,近20%的人工智能公司处于亏损状态,而赚钱的公司中有10%基本上是技术提供商。从谈论概念和技术,到战斗场景和奔向现场,基于大数据的人工智能仍然面临着数据本身带来的挑战。

数据分割使登陆变得困难

“我们经常提到大数据,但事实上我们并不需要那么多数据。人工智能的未来趋势是小数据的兴起。”在Shibei GMS2019全球数据智能峰会上,斯坦福大学教授,Landing.ai创始人吴恩达表示。

具体案例是工厂手机屏幕的划痕检测。目前,很多人用人眼来检测手机上是否有划痕。如果有100万个划伤的手机,AI可以非常有效地识别手机划痕。但实际情况是,没有任何工厂拥有数百万种不同的划痕手机。此时,小样本学习(少数学习),即使用较少数据产生相同准确结论的人工智能,将有助于推动整个领域。发展。

小样本学习的紧迫性在于数据孤岛和数据隐私保护造成的数据碎片问题,这使得AI技术难以充分实现其价值。

“人工智能竞争需要数以千万计的图片。当人工智能深入到行业时,我们看到数据往往是小数据和精细数据,即没有连接的数据,以及先进的人工智能技术很难国际人工智能学会主席,香港科技大学教授,魏中银行首席人工智能官杨强。

今年5月,国家互联网信息办公室发布《数据安全管理办法(征求意见稿)》,建议利用网络在中国开展数据,存储,传输,处理,使用等活动,以及数据安全保护和监督管理意见。

杨强认为,“中国的GDPR”即将到来,数据隐私越来越严格,越来越全面,使企业在实际应用中使用的数据维度和范围不大。收紧数据隐私保护为人工智能技术的升级提供了机会。

以保险行业将AI用于个性化定价为例,需要商业数据和用户互联网行为数据融合。理想状态是您可以获得非常丰富的用户肖像,这与用户ID高度匹配,但实际情况是由隐私强制的。对于安全性,法规等,公司可以应用的数据非常有限。

例如,在小微企业贷款的应用中,人工智能需要引入账单数据,资产数据,舆论数据等,但由于数据的碎片化,只有一些政府数据可以用于实际应用,如作为央行的信用报告,但这些报告只能覆盖不到10%的人口。这个问题在医学领域更为明显。来自不同医院的医学成像数据难以聚集在一起形成大数据来训练医学模型。

“小数据”的兴起

杨强建议联邦学习数据碎片带来的人工智能登陆难度。所谓的联合学习是在多个数据方之间形成联盟并参与全局建模的构建。在保护数据隐私和模型参数的基础上,仅共享模型加密参数并共享共享模型。取得更好的成果。

据杨强介绍,联邦学习分为横向联邦和纵向联邦。水平联合是指企业方的相同数据维度和不同ID维度,更多存在于消费者应用程序中;垂直联合是指企业中各方数据的ID维度。 B端应用程序中存在相同的(样本重叠),不同的数据维度。

例如,对于保险业的个性化保险定价问题,互联网公司和保险公司进行数据合作。该协作数据的ID非常一致,数据特征维度大大增加,从而显着提高了模型的个性化定价效果。保险公司带来8倍的保险增长和1.5倍的利润率增长。

在水平联合学习中,在手机行业中,通过在本地建立小型加密上传模式,服务器无法看到内容,但可以聚合模型,更新云模型,并将新的通用模型发布到手机帮助用户实现自动化。制作图片注释。这不仅可以保护用户隐私,还可以进行模型学习和更新。

杨强认为,联邦学习的最大优势是确保数据不会离开家庭,通过生态选择不同行业的合作伙伴,并通过群体智能不断提高模型效果。因此,联邦学习必须是多方合作才能形成联盟,而生态建设非常重要。

面对人工智能登陆的难度和盈利难度,吴恩达认为,企业在期望人工智能为企业带来红利之前,需要避免陷阱。首先,人工智能技术将影响许多公司业务的核心,因此选择一个项目非常重要。从一个小项目开始,您可以建立一个良好的基础,并帮助团队获得动力。

其次,团队建设不能仅仅依靠明星工程师,而是建立一个健全的,跨学科的,跨职能的团队。同时,不要指望AI立即工作,而是尽量为AI开发的返回曲线制定合理的预算。不要使用传统流程来评估人工智能项目。应为AI项目团队建立适当的KPI和目标。

“关于人工智能的应用越来越多,但人工智能在企业中的转变并不像开发APP那样简单。不要指望人工智能解决所有问题,也不要指望人工智能项目一次成功。 “吴恩达说。

本文来自锦华大厦新闻,由【资深投稿人:刘威铭】原创,欢迎观赏。

人工智能,亏损,门槛,盈利,数据

您可能还会对下面的文章感兴趣: