Antes de que Eric Landau co-fundara encordar, pasó casi una década en DRW, donde fue investigador cuantitativo principal en una mesa delta one de renta variable global y puso en producción miles de modelos. Tiene un SM en Física Aplicada de la Universidad de Harvard, una maestría en Ingeniería Eléctrica y una licenciatura en Física de la Universidad de Stanford.
En 2015, el lanzamiento de yolo — un modelo de visión por computadora de alto rendimiento que podría producir predicciones para la detección de objetos en tiempo real — inició una avalancha de progreso que aceleró el salto de la visión por computadora de la investigación al mercado.
Desde entonces, ha sido un momento emocionante para las nuevas empresas como los emprendedores siguen descubriendo casos de uso para la visión por computadora en todo, desde el comercio minorista y la agricultura hasta la construcción. Con costos informáticos más bajos, una mayor precisión del modelo y una rápida proliferación de datos sin procesar, un número cada vez mayor de nuevas empresas recurren a la visión artificial para encontrar soluciones a los problemas.
Sin embargo, antes de que los fundadores comiencen a construir sistemas de IA, deben pensar detenidamente sobre su apetito por el riesgo, las prácticas de gestión de datos y las estrategias para preparar su pila de IA para el futuro.
TechCrunch + está teniendo una venta de Memorial Day. Puede ahorrar un 50% en suscripciones anuales por tiempo limitado.
A continuación se presentan cuatro factores que los fundadores deben tener en cuenta al decidir construir modelos de visión por computadora.
¿Es el aprendizaje profundo la herramienta adecuada para resolver mi problema?
Puede parecer una locura, pero la primera pregunta que deben hacerse los fundadores es si necesitan utilizar un enfoque de aprendizaje profundo para resolver su problema.
Durante mi tiempo en finanzas, a menudo me di cuenta de que contrataríamos a un nuevo empleado recién egresado de la universidad que querría usar el último modelo de aprendizaje profundo para resolver un problema. Después de pasar tiempo trabajando en el modelo, llegaron a la conclusión de que usar una variante de regresión lineal funcionaba mejor.
Para evitar caer en la llamada brecha de producción de prototipos, los fundadores deben pensar cuidadosamente sobre las características de rendimiento requeridas para la implementación del modelo.
La moraleja de la historia?
El aprendizaje profundo puede sonar como una solución futurista, pero en realidad, estos sistemas son sensibles a muchos factores pequeños. A menudo, ya puede usar una solución existente y más simple, como un algoritmo “clásico”, que produce un resultado igual o mejor a un costo menor.
Considere el problema y la solución desde todos los ángulos antes de construir un modelo de aprendizaje profundo.
El aprendizaje profundo en general, y la visión por computadora en particular, son muy prometedores para crear nuevos enfoques para resolver viejos problemas. Sin embargo, construir estos sistemas conlleva un riesgo de inversión: necesitará ingenieros de aprendizaje automático, una gran cantidad de datos y mecanismos de validación para poner estos modelos en producción y construir un sistema de IA funcional.
Es mejor evaluar si una solución más simple podría resolver su problema antes de comenzar un esfuerzo a gran escala.
Realice una evaluación de riesgos exhaustiva
Antes de construir cualquier sistema de IA, los fundadores deben considerar su apetito por el riesgo, lo que significa evaluar los riesgos que ocurren tanto en la capa de aplicación como en la etapa de investigación y desarrollo.
Source link