2015 yılında, lansmanı YOLO Gerçek zamanlı nesne tespiti için tahminler üretebilen yüksek performanslı bir bilgisayarlı görü modeli, bilgisayarlı görüsün araştırmadan pazara sıçramasını hızlandıran bir ilerleme çığı başlattı.
O zamandan beri yeni başlayanlar için heyecan verici bir zaman oldu. girişimciler keşfetmeye devam ediyor perakende ve tarımdan inşaata kadar her şeyde bilgisayar görüşü için vakaları kullanın. Daha düşük bilgi işlem maliyetleri, daha yüksek model doğruluğu ve ham verilerin hızla yayılmasıyla birlikte, artan sayıda girişim, sorunlara çözüm bulmak için bilgisayar vizyonuna yöneliyor.
Ancak, kurucular AI sistemleri oluşturmaya başlamadan önce, AI yığınlarını geleceğe hazır hale getirmek için risk iştahları, veri yönetimi uygulamaları ve stratejileri hakkında dikkatlice düşünmelidirler.
TechCrunch+, Anma Günü indirimi yapıyor. Sınırlı bir süre için yıllık aboneliklerde %50 tasarruf edebilirsiniz.
Aşağıda, bilgisayarlı görü modelleri oluşturmaya karar verirken kurucuların dikkate alması gereken dört faktör bulunmaktadır.
Derin öğrenme, sorunumu çözmek için doğru araç mı?
Çılgınca gelebilir, ancak kurucuların kendilerine sormaları gereken ilk soru, sorunlarını çözmek için derin bir öğrenme yaklaşımı kullanmaya ihtiyaç duyup duymadıklarıdır.
Finansta geçirdiğim süre boyunca, bir sorunu çözmek için en son derin öğrenme modelini kullanmak isteyen üniversiteden yeni bir çalışanı işe alacağımızı sık sık gördüm. Model üzerinde çalışmak için zaman harcadıktan sonra, lineer regresyonun bir çeşidini kullanmanın daha iyi çalıştığı sonucuna varmışlardı.
Sözde prototip-üretim boşluğuna düşmekten kaçınmak için, kurucular model dağıtımı için gereken performans özellikleri hakkında dikkatlice düşünmelidir.
Hikayenin ahlaki?
Derin öğrenme kulağa fütüristik bir çözüm gibi gelebilir, ancak gerçekte bu sistemler birçok küçük faktöre duyarlıdır. Çoğu zaman, daha düşük maliyetle eşit derecede iyi veya daha iyi bir sonuç üreten “klasik” bir algoritma gibi mevcut ve daha basit bir çözümü zaten kullanabilirsiniz.
Bir derin öğrenme modeli oluşturmadan önce sorunu ve çözümü tüm açılardan düşünün.
Genel olarak derin öğrenme ve özel olarak bilgisayar vizyonu, eski sorunları çözmek için yeni yaklaşımlar yaratma konusunda büyük umut vaat ediyor. Bununla birlikte, bu sistemleri inşa etmek bir yatırım riskini de beraberinde getirir: Bu modelleri üretime geçirmek ve işleyen bir yapay zeka sistemi oluşturmak için makine öğrenimi mühendislerine, çok sayıda veriye ve doğrulama mekanizmasına ihtiyacınız olacak.
Bu kadar büyük ölçekli bir çabaya başlamadan önce daha basit bir çözümün sorununuzu çözüp çözemeyeceğini değerlendirmek en iyisidir.
Kapsamlı bir risk değerlendirmesi yapın
Herhangi bir AI sistemini kurmadan önce, kurucular risk iştahlarını göz önünde bulundurmalıdır, bu da hem uygulama katmanında hem de araştırma ve geliştirme aşamasında ortaya çıkan riskleri değerlendirmek anlamına gelir.
