Где в ML и AI деньги

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Популярность темы технологий машинного обучения растет с каждым годом. Кажется, что уже каждый обучил нейронную сеть. Капитализация стартапов использующих технологии машинного обучения выше капитализации коллег на 20-30%. Работая CEO DATA4, я столкнулся с решением множества кейсов начиная от разработки рекомендательных систем для интернет-магазинов, распознавания образов, и заканчивая биометрическими решениями. Эта статья о том, где хайп, а где бизнес, и можно заработать.

Машинное обучение применяется в

1) Крупных компаниях для решения задачи «последней мили». Если вы крупный банк, и внедрили алгоритм, предсказывающий когда обслуживать и инкассировать банкоматы, экономический эффект составит семизначную сумму.

И таких применений множество: персонализированные товарные рекомендации, прогнозирование нагрузки на КЦ, прогнозирование спроса, построение оптимальных логистических маршрутов, скоринг, предсказание оттока и т.д.

Решение каждой из описанных задач улучшает метрики на считаные проценты (последняя миля) в сравнении с текущими решениями, но на большом масштабе это существенные деньги.

Особенности:

А) Не все компании обладают нужными данными

Б) Крупные компании предпочитают нанимать разработчиков в штат, а не покупать заказные решения. Из этого следует вывод, что крупные компании - плохие клиенты. Много требований, и бесконечные циклы продаж (из опыта DATA4 выход на сделку может занимать до года). Но если вы хотите не продавать решения, а зарабатывать 200-300 т.р. в месяц зарплаты, это хороший вариант. Осталось только стать лучшим на рынке;)

2) Вендоры решений на основе ML

На рынке РФ работают компании с оборотом в сотни миллионов и миллиарды рублей. Это ЦРТ, ABBYY, VisionLab, Вокорд и другие.

Особенности:

А) Продукт должен быть легко масштабируем (Распознавание лиц, речи, документов и т.д.)

Б) Побеждает игрок, вовремя вышедший на рынок и показывающий state of the art качество работы алгоритма. Вам потребуется лучшая узкоспециализированная экспертиза на рынке, чтобы победить в конкурентной борьбе. Но игра стоит свеч.

3) Разработка решений под заказ

Это то, чем занимается наша компания DATA4, и по собственному опыту, тут деньги самые тяжелые.

A) Каждый заказчик индивидуален, нужно глубоко вникать в бизнес клиента. Так, для одного из клиентов мы провели 70 глубинных интервью с его пользователями, чтобы правильно поставить задачу. Это ведет к тому, что вы не можете масштабировать решение, и каждый раз начинаете «с чистого листа».

Б) Нужно разбираться в широком технологическом стеке. Одному клиенту нужна рекомендательная система, другому, распознавание изображений на производстве, третьему - прогнозирование спроса, а четвертому речевая аналитика. И для каждого кейса нужно обеспечить максимально возможное качество выполнения и поддержки.

В) Волатильность по денежному потоку, высокие риски кассовых разрывов.

Так, Яндекс закрыл подразделение Yandex Data Factory, несмотря на одну из лучших команд на рынке и сильный PR.

DATA4 успешно существует за счет применения другого подхода к бизнес-процессу, минимизации административного персонала, но сложно масштабироваться, и пока мы крепкий малый бизнес.

4) Сфера обучения ML

Из личных ощущений, людей кто тратит деньги на самообразование в ML в десятки разы больше, чем людей на нем зарабатывающих.

Общие особенности отрасли

А) Завышенные зарплатные ожидания у 90% специалистов. Конечно, если у вас редкая экспертиза, и вы победили в международном конкурсе по распознаванию речи, это оправдано, но когда человек 2 недели назад научился импортировать XGBoost, запрашивать 150-200, это перебор. Такая ситуация возникает из-за HR-пылесосов крупных компаний с «глубокими карманами», и уровнем зарплат в Европе и США.

Б) 90% времени работы – предварительная подготовка данных и интеграция решения в продакшн, и только 10% работа с алгоритмом.

В) Перегретый рынок. Чаще, ML это про PR, капитализацию и брендинг, чем про оптимизацию бизнеса.

В статье я постарался рассказать наблюдения за тем, как устроен рынок ML технологий, где есть место внутренней разработке компаний, а где внешним подрядчикам. Если у вас есть дополнения, буду рад их прочитать в комментариях и личных сообщениях.


Источник: m.vk.com

Комментарии: