در سال 2015، راه‌اندازی YOLO، یک مدل بینایی کامپیوتری با کارایی بالا که می‌تواند پیش‌بینی‌های تشخیص شی را در زمان واقعی ایجاد کند، بهمنی از پیشرفت‌ها را آغاز کرد که جهش بینایی کامپیوتر را از تحقیقات به بازار تسریع کرد.
از آن زمان، زمان هیجان انگیزی برای استارت آپ ها بوده است، زیرا کارآفرینان همچنان به استفاده از بینایی کامپیوتر در همه چیز از خرده فروشی و کشاورزی گرفته تا ساخت و ساز ادامه می دهند. با هزینه‌های محاسباتی کمتر، دقت مدل بیشتر و انتشار سریع‌تر داده‌های خام، استارت‌آپ‌های بیشتری برای یافتن راه‌حل‌هایی برای مشکلات به بینایی کامپیوتر روی می‌آورند.
با این حال، قبل از اینکه بنیانگذاران بتوانند سیستم‌های هوش مصنوعی بسازند، باید ریسک‌پذیری، شیوه‌های مدیریت داده‌ها و استراتژی‌های تثبیت پشته هوش مصنوعی خود را به دقت در نظر بگیرند.
TechCrunch + برای روز یادبود فروش دارد. شما می توانید 50٪ در اشتراک های سالانه برای مدت زمان محدود صرفه جویی کنید.
در اینجا چهار عاملی که بنیانگذاران هنگام تصمیم گیری برای ساخت مدل های بینایی کامپیوتری باید در نظر داشته باشند، آورده شده است.
آیا یادگیری عمیق ابزار مناسبی برای حل مشکل من است؟
ممکن است احمقانه به نظر برسد، اما اولین سوالی که بنیانگذاران باید از خود بپرسند این است که آیا اصلاً باید از یک رویکرد یادگیری عمیق برای حل مشکل خود استفاده کنند؟
زمانی که در امور مالی بودم، اغلب می دیدم که کارمند جدیدی را مستقیماً از دانشگاه استخدام می کنیم که مایل است از جدیدترین مدل یادگیری عمیق برای حل یک مشکل استفاده کند. پس از صرف زمان برای کار بر روی مدل، آنها به این نتیجه رسیدند که استفاده از یک نوع رگرسیون خطی بهتر عمل می کند.
برای جلوگیری از افتادن در به اصطلاح شکاف نمونه اولیه، بنیانگذاران باید به دقت ویژگی های عملکرد مورد نیاز برای پیاده سازی مدل را در نظر بگیرند.
اخلاق داستان؟
یادگیری عمیق ممکن است راه حلی آینده نگر به نظر برسد، اما در واقعیت این سیستم ها به عوامل بسیار کمی حساس هستند. اکنون اغلب می‌توانید از یک راه‌حل موجود و ساده‌تر استفاده کنید – مانند یک الگوریتم “کلاسیک” – که نتیجه‌ای به همان اندازه خوب یا بهتر با هزینه کمتر می‌دهد.
قبل از ساختن مدلی برای یادگیری عمیق، در مورد مشکل و راه حل آن از همه جهات فکر کنید.
یادگیری عمیق به طور کلی و بینایی کامپیوتر به طور خاص نویدهای زیادی برای ایجاد رویکردهای جدید برای حل مشکلات قدیمی دارند. با این حال، ساخت این سیستم‌ها با ریسک سرمایه‌گذاری همراه است: شما به مهندسان یادگیری ماشین، داده‌ها و مکانیسم‌های اعتبارسنجی زیادی نیاز دارید تا این مدل‌ها را در مرحله تولید قرار دهید و یک سیستم هوش مصنوعی کارآمد بسازید.
بهتر است قبل از شروع چنین تلاش گسترده ای در نظر بگیرید که آیا یک راه حل ساده تر می تواند مشکل شما را حل کند یا خیر.
ارزیابی ریسک کامل را انجام دهید
قبل از ساختن هر سیستم هوش مصنوعی، بنیانگذاران باید ریسک پذیری خود را در نظر بگیرند، که به معنی ارزیابی خطراتی است که هم در لایه کاربرد و هم در مرحله تحقیق و توسعه ایجاد می شود.