Im Jahr 2015 die Start von YOLO – ein leistungsstarkes Computer-Vision-Modell, das Vorhersagen für die Objekterkennung in Echtzeit erstellen konnte – löste eine Lawine des Fortschritts aus, die den Sprung der Computer-Vision von der Forschung zum Markt beschleunigte.
Es war seitdem eine aufregende Zeit für Startups wie Unternehmer entdecken weiter Anwendungsfälle für Computer Vision in allen Bereichen, vom Einzelhandel über die Landwirtschaft bis hin zum Bauwesen. Angesichts niedrigerer Rechenkosten, größerer Modellgenauigkeit und einer schnellen Verbreitung von Rohdaten wenden sich immer mehr Start-ups der Computer Vision zu, um Lösungen für Probleme zu finden.
Bevor Gründer jedoch mit dem Aufbau von KI-Systemen beginnen, sollten sie sorgfältig über ihre Risikobereitschaft, Datenverwaltungspraktiken und Strategien zur Zukunftssicherheit ihres KI-Stacks nachdenken.
Tech+ hat einen Memorial Day Sale. Sie können für eine begrenzte Zeit 50 % auf Jahresabonnements sparen.
Im Folgenden sind vier Faktoren aufgeführt, die Gründer berücksichtigen sollten, wenn sie sich für die Erstellung von Computer-Vision-Modellen entscheiden.
Ist Deep Learning das richtige Werkzeug zur Lösung meines Problems?
Es mag verrückt klingen, aber die erste Frage, die sich Gründer stellen sollten, ist, ob sie überhaupt einen Deep-Learning-Ansatz verwenden müssen, um ihr Problem zu lösen.
Während meiner Zeit im Finanzwesen habe ich oft erlebt, dass wir direkt nach der Uni einen neuen Mitarbeiter einstellen, der das neueste Deep-Learning-Modell zur Lösung eines Problems nutzen möchte. Nachdem sie einige Zeit an dem Modell gearbeitet hatten, kamen sie zu dem Schluss, dass die Verwendung einer Variante der linearen Regression besser funktionierte.
Um nicht in die sogenannte Prototyp-Produktionslücke zu geraten, müssen Gründer sorgfältig über die Leistungsmerkmale nachdenken, die für den Modelleinsatz erforderlich sind.
Die Moral der Geschichte?
Deep Learning mag wie eine futuristische Lösung klingen, aber in Wirklichkeit reagieren diese Systeme empfindlich auf viele kleine Faktoren. Oft können Sie bereits eine vorhandene und einfachere Lösung verwenden – beispielsweise einen „klassischen“ Algorithmus – der ein gleich gutes oder besseres Ergebnis zu geringeren Kosten liefert.
Betrachten Sie das Problem und die Lösung aus allen Blickwinkeln, bevor Sie ein Deep-Learning-Modell erstellen.
Deep Learning im Allgemeinen und Computer Vision im Besonderen sind vielversprechend, um neue Ansätze zur Lösung alter Probleme zu schaffen. Der Aufbau dieser Systeme ist jedoch mit einem Investitionsrisiko verbunden: Sie benötigen Machine-Learning-Ingenieure, viele Daten und Validierungsmechanismen, um diese Modelle in Produktion zu bringen und ein funktionierendes KI-System aufzubauen.
Es ist am besten, zu prüfen, ob eine einfachere Lösung Ihr Problem lösen könnte, bevor Sie mit einem so großen Aufwand beginnen.
Führen Sie eine gründliche Risikobewertung durch
Vor dem Aufbau eines KI-Systems müssen Gründer ihre Risikobereitschaft berücksichtigen, was bedeutet, dass sie die Risiken bewerten, die sowohl auf der Anwendungsebene als auch in der Forschungs- und Entwicklungsphase auftreten.