AI Investment Primer: วางรากฐาน (ตอนที่ 1)

บทสรุปผู้บริหาร

ในช่วงไม่กี่ปีที่ผ่านมา โลกได้เห็นความสนใจเกี่ยวกับปัญญาประดิษฐ์ (AI) เพิ่มมากขึ้น แนวคิดที่ครั้งหนึ่งเคยจำกัดอยู่ในประเภท Sci-Fi เป็นหลัก AI ได้กลายเป็นส่วนหนึ่งในชีวิตประจำวันของเรา เราอ่านเกี่ยวกับเรื่องนี้ตลอดเวลาในข่าว ดูวิดีโอของหุ่นยนต์ที่ดูน่ากลัวที่เต้นตามเพลง Uptown Funk และฟังว่าแอปพลิเคชัน AI คืบคลานเข้ามาได้อย่างไร แม้แต่สิ่งที่ไม่คาดฝันมากที่สุดในชีวิตประจำวันของเรา แต่มันเป็นโฆษณาหรือไม่?

มันอาจจะเป็น. จากข้อมูลของ Gartner's Hype Cycle for Emerging Technologies แนวโน้มของ AI ที่เป็นประชาธิปไตยรวมถึง AI PaaS (แพลตฟอร์มเป็นบริการ), ปัญญาประดิษฐ์ทั่วไป, การขับขี่อัตโนมัติ, การเรียนรู้อย่างลึกซึ้ง ล้วนอยู่ในจุดต่างๆ บนเส้นโค้ง โดย Deep Neural Nets อยู่ที่จุดสูงสุดของ ความคาดหวังที่สูงเกินจริง อย่างไรก็ตาม เราก็ได้ประโยชน์จาก AI ทุกวันเช่นกัน จาก Siri ถึง Cortana ถึง Alexa ตอนนี้เราสามารถพูดคุยกับผู้ช่วยอัจฉริยะได้แล้ว ตั้งแต่เสิร์ชเอ็นจิ้นที่ขับเคลื่อนด้วย AI ของ Google ไปจนถึงตัวกรอง Instagram ตอนนี้เราเพลิดเพลินกับความสะดวกของการตอบสนองที่รวดเร็วและตรงกับความต้องการของเรามากขึ้น ในประเทศจีนที่ซึ่งนวัตกรรม AI กำลังเฟื่องฟู บริษัทต่างๆ เช่น เทคโนโลยีการจดจำใบหน้าของ Face++ กำลังสนับสนุนการตรวจสอบ ID ทันทีสำหรับธนาคาร ในขณะที่แอพอย่าง TikTok ได้ส่งวิดีโอสั้นไปยังวัยรุ่นหลายล้านคน

โดยส่วนตัวแล้วฉันเชื่อว่าแม้ว่าจะมีความคาดหวังและธุรกิจที่เกินจริงอยู่บ้าง แต่ AI คืออนาคต ฉันก่อตั้งสตาร์ทอัพ AI ในระยะเริ่มต้นของตัวเองเพื่อคว้าโอกาสครั้งหนึ่งในชีวิตในการมีส่วนร่วมในการปฏิวัติเทคโนโลยี ในฐานะอดีตนักลงทุน VC ฉันยังมองหาโอกาสในการลงทุนใน AI อยู่เสมอ ฉันจึงเชื่อว่าแม้จะมีเสียงรบกวนที่ปฏิเสธไม่ได้รอบ ๆ พื้นที่ แต่การลงทุน AI ก็เพิ่มขึ้นอย่างมากเช่นกัน

แต่ด้วยความคิดนี้ ทำให้ฉันประหลาดใจที่โดยเฉพาะอย่างยิ่งในหมู่ชุมชนการลงทุน ยังมีช่องว่างขนาดใหญ่ในความเข้าใจ นักลงทุนกระตือรือร้นที่จะนำเงินมาทำงาน แต่พวกเขามักจะขาดความรู้พื้นฐานที่สำคัญ ซึ่งในความคิดของฉัน จำเป็นต้องเป็นนักลงทุนที่มีประสิทธิภาพในพื้นที่นี้ บทความนี้จึงมีจุดประสงค์เพื่อแบ่งปันและให้บริบทและข้อมูลที่เป็นประโยชน์แก่ผู้ที่สนใจลงทุนในด้านที่น่าตื่นเต้นนี้ เมื่อพิจารณาจากความกว้างของหัวข้อที่มีอยู่แล้ว ฉันได้แบ่งความคิดออกเป็นสองส่วน ส่วนแรกมีจุดประสงค์เพื่อหารือเกี่ยวกับองค์ประกอบสำคัญบางประการที่จำเป็นต้องรู้เพื่อเริ่มต้นการเดินทางของ AI - 101 แบบ ส่วนที่สองของซีรีส์นี้จะใช้งานได้จริงมากขึ้นและจะเจาะลึกในหัวข้อวิธีประเมินการลงทุน AI และวิธีการลงทุนต่างๆ

หมายเหตุ โพสต์นี้ไม่ได้มีวัตถุประสงค์เพื่อเป็นเทคนิค มีจุดมุ่งหมายเพื่อนักลงทุนและชุมชนการเงินในวงกว้างและผู้อ่านที่ไม่ใช้เทคนิค

AI คืออะไร?

จริงๆ แล้วมีคำจำกัดความของ AI มากมาย ดังนั้นเมื่อฉันถูกขอให้นิยามมัน ฉันมักจะใช้ Wikipedia แบบเก่า ซึ่งฉันคิดว่าให้คำจำกัดความที่น่าพอใจสำหรับผู้ฟังที่ไม่ใช่ด้านเทคนิค:

ปัญญาประดิษฐ์ (AI) ซึ่งบางครั้งเรียกว่าปัญญาประดิษฐ์ (อังกฤษ: machine intelligence) เป็นปัญญาที่แสดงให้เห็นโดยเครื่องจักร ตรงกันข้ามกับความฉลาดทางธรรมชาติที่แสดงโดยมนุษย์และสัตว์อื่นๆ

กล่าวอีกนัยหนึ่ง สติปัญญาที่ไม่เป็นธรรมชาติใดๆ ก็คือ "ปัญญาประดิษฐ์" โดยไม่คำนึงถึงวิธีการบรรลุผล เทคนิคที่ใช้ในการบรรลุ AI ได้แก่ กฎ if-then ตรรกะ ต้นไม้การตัดสินใจ การถดถอย และการเรียนรู้ของเครื่องรวมถึงการเรียนรู้เชิงลึก หนึ่งในเครื่องมือที่ฉันชอบและสนุกที่สุดในการอธิบายวิธีการทำงานของ AI คือวิดีโอนี้เกี่ยวกับวิธีที่คอมพิวเตอร์เรียนรู้วิธีเล่น Super Mario

เมื่อพูดถึง AI คุณจะได้ยินคำสำคัญสามคำนี้เสมอ: AI, แมชชีนเลิร์นนิง และการเรียนรู้เชิงลึก บางครั้งใช้แทนกันได้ แต่ต่างกัน พูดง่ายๆ ก็คือ แมชชีนเลิร์นนิงเป็นส่วนย่อยของเทคนิคที่ใช้ใน AI การเรียนรู้เชิงลึกเป็นส่วนย่อยของเทคนิคที่ใช้ในการเรียนรู้ของเครื่อง

บล็อกของ Nvidia สามารถสรุปความสัมพันธ์ระหว่างคำทั้งสามได้ดี นอกจากนี้ยังให้ภาพรวมที่มีประโยชน์ของสามคลื่นของการพัฒนา AI คลื่นลูกแรกของ AI อยู่ในยุค 50 และ 60 และเห็นเหตุการณ์สำคัญครั้งแรกบางอย่างเช่นเมื่อ IBM 701 ชนะเกมหมากฮอสเหนือ Robert Nealey ผู้ตรวจสอบหลัก ในยุค 80 และ 90 Deep Blue เอาชนะ Kasparov ปรมาจารย์ของมนุษย์ที่ Chess ในเดือนมีนาคม 2016 AlphaGo เอาชนะ Lee Sedol ผู้เล่น Go อันดับ 1 ทุกครั้งที่ AI เอาชนะผู้เชี่ยวชาญของมนุษย์ในเกม มันจุดประกายเวทีโฆษณาใหม่สำหรับ AI จากนั้นเนื่องจากเทคโนโลยีไม่สามารถส่งแอปพลิเคชันที่ตรงตามความคาดหวังของสาธารณชนได้ AI hype จะกลายเป็นฤดูหนาวของ AI ด้วยการลงทุนและทุนวิจัยที่ลดน้อยลง

ดังที่ได้กล่าวไว้ก่อนหน้านี้ แมชชีนเลิร์นนิงเป็นส่วนย่อยของ AI ตามข้อมูลของ Nvidia แมชชีนเลิร์นนิงที่พื้นฐานที่สุดคือ “การฝึกใช้อัลกอริธึมเพื่อแยกวิเคราะห์ข้อมูล เรียนรู้จากมัน แล้วทำการตัดสินใจหรือคาดการณ์เกี่ยวกับบางสิ่งในโลก ดังนั้นแทนที่จะใช้รหัสประจำตัวของซอฟต์แวร์ด้วยชุดคำสั่งเฉพาะเพื่อทำงานใดงานหนึ่งให้สำเร็จ เครื่องจะ 'ฝึก' โดยใช้ข้อมูลและอัลกอริธึมจำนวนมากที่ทำให้เครื่องสามารถเรียนรู้วิธีปฏิบัติงานได้” ตัวอย่างทั่วไปของแมชชีนเลิร์นนิงคือตัวกรองสแปม ตัวกรองสแปมของ Google สามารถจดจำสแปมได้โดยการระบุคำที่เรียก เช่น "เจ้าชาย" "ไนจีเรีย" และ "นาฬิกาสุดหรู" นอกจากนี้ยังสามารถ "เรียนรู้" จากการจำแนกประเภทสแปมโดยผู้ใช้ด้วยตนเอง ตัวอย่างเช่น อีเมลที่มีข้อความ "ส่ง 1,000 ดอลลาร์เพื่อขอรับยารักษามะเร็งชนิดพิเศษนี้ไปยังบัญชีธนาคารต่อไปนี้" ตัวกรองสแปมของ Google พลาดไป เมื่อผู้ใช้ระบุว่าเป็นสแปม Gmail จะวิเคราะห์คำหลักทั้งหมดในอีเมลนั้น ๆ และ "เรียนรู้" เพื่อจัดการกับอีเมลที่มีคำผสมกันของ "$1000", "ยา" และ "บัญชีธนาคาร" เป็นสแปมในอนาคต มีแบบจำลองทางคณิตศาสตร์มากมายที่ผู้เชี่ยวชาญใช้ในการเรียนรู้ด้วยเครื่อง เช่น การถดถอย ลอจิสติกส์ เครือข่ายแบบเบย์ การจัดกลุ่ม

คลื่น AI นี้มีความพิเศษอย่างไร?

คลื่นของ AI นี้ได้รับแรงผลักดันจากความนิยมของ การเรียนรู้เชิงลึก ในฐานะที่เป็นส่วนหนึ่งของแมชชีนเลิร์นนิง การเรียนรู้เชิงลึกไม่ได้ถูกประดิษฐ์ขึ้นเมื่อเร็วๆ นี้ ตามจริงแล้ว ตามวิกิพีเดีย "อัลกอริธึมการเรียนรู้การทำงานทั่วไปสำหรับ perceptrons หลายชั้นภายใต้การดูแล ลึก ป้อนกลับ เผยแพร่โดย Alexey Ivakhnenko และ Lapa ในปี 1965" อย่างไรก็ตาม เนื่องจากพลังการประมวลผลและข้อมูลยังไม่สูงพอที่จะสนับสนุนการใช้เทคนิคการเรียนรู้เชิงลึกในเชิงพาณิชย์จำนวนมาก จึงไม่ได้รับความนิยมจนกระทั่งปี 2006 เมื่อ Geoffrey Hinton et al ได้ตีพิมพ์บทความเรื่อง “A Fast Learning Algorithm for Deep Belief อวน." แม้ว่า AI จะเป็นช่วงฤดูหนาวของยุค 90 และช่วงครึ่งแรกของปี 2000 แต่นักวิชาการสองสามคน รวมถึงผู้เชี่ยวชาญด้านการเรียนรู้เชิงลึกทั้งสามคน ได้แก่ Geoffrey Hinton, Yann LeCun และ Yoshua Bengio ยังคงทำงานด้านการเรียนรู้เชิงลึกในสาขาวิชาการต่อไป ความก้าวหน้าอย่างรวดเร็วของพลังการประมวลผล เช่น คลาวด์คอมพิวติ้งและ GPU ประกอบกับความพร้อมของบิ๊กดาต้าผ่านเศรษฐกิจดิจิทัล ทำให้อัลกอริธึมการเรียนรู้เชิงลึกสามารถนำไปใช้ได้ในทศวรรษที่ผ่านมา ตัวอย่างเช่น การวิจัยรถยนต์ไร้คนขับของ Google เริ่มต้นขึ้นในปี 2552

ในทางเทคนิคแล้ว การเรียนรู้เชิงลึกสามารถกำหนดเป็น "คลาสของอัลกอริธึมการเรียนรู้ของเครื่องที่:

• ใช้การเรียงซ้อนของหน่วยประมวลผลแบบไม่เชิงเส้นหลายชั้นสำหรับการดึงข้อมูลและการแปลงคุณลักษณะ แต่ละเลเยอร์ที่ต่อเนื่องกันใช้เอาต์พุตจากเลเยอร์ก่อนหน้าเป็นอินพุต
• เรียนรู้ในลักษณะภายใต้การดูแล (เช่น การจำแนกประเภท) และ/หรือโดยไม่ได้รับการดูแล (เช่น การวิเคราะห์รูปแบบ)
• เรียนรู้การแสดงแทนหลายระดับที่สอดคล้องกับระดับนามธรรมที่แตกต่างกัน ระดับเป็นลำดับชั้นของแนวคิด”

กุญแจสำคัญคือ "หลายเลเยอร์" เมื่อเทียบกับการเรียนรู้ของเครื่องแบบเดิม ตัวอย่างเช่น คุณจะแยกแมวออกจากสุนัขอย่างไร หากคุณจะใช้แมชชีนเลิร์นนิง คุณอาจดึงคุณลักษณะบางอย่างที่เหมือนกันกับทั้งสุนัขและแมว เช่น หูสองข้าง ใบหน้าที่มีขนยาว ระยะห่างระหว่างตากับจมูกและปาก เป็นต้น และคุณอาจได้ผลลัพธ์ว่า รูปหมา 50% แมว 50% ไม่ค่อยมีประโยชน์ อย่างไรก็ตาม การใช้การเรียนรู้เชิงลึกจะทำให้คุณไม่รู้ด้วยซ้ำว่าลักษณะเด่นของแมวกับสุนัขคืออะไร แต่กลไกการสร้างคุณลักษณะใหม่ๆ หลายชั้นและแบบจำลองทางสถิตินับร้อย (หรือหลายพัน) จะช่วยให้ ผลลัพธ์ที่แม่นยำ - เช่น สุนัข 90% แมว 10% แผนภูมิสองแผนภูมิด้านล่างแสดงให้เห็นว่าโครงข่ายประสาท "เรียนรู้" อย่างไร และความแตกต่างระหว่างการเรียนรู้ของเครื่องแบบคลาสสิกและโครงข่ายประสาทเทียม

ผู้อ่านอาจถูกทิ้งให้เกาหัวหลังจากอ่านข้อความข้างต้นและถูกต้องแล้ว แต่เมื่อย้อนกลับไปที่จุดประสงค์เดิมของเรา: จากมุมมองของนักลงทุน อะไรคือสิ่งที่พิเศษเกี่ยวกับการเรียนรู้เชิงลึก? เราสามารถตอบคำถามนี้ด้วยคำอธิบายทางเทคนิคที่ซับซ้อนมากขึ้น แต่พูดง่ายๆ ก็คือ กราฟด้านล่างทางด้านซ้ายทำงานได้อย่างยอดเยี่ยมในการทำให้มันชัดเจน: การเรียนรู้เชิงลึกช่วยให้มีประสิทธิภาพที่ทรงพลังมากกว่าอัลกอริธึมการเรียนรู้อื่นๆ นำตัวอย่างของการรู้จำเสียงพูดตามรายละเอียดในบล็อกของ Microsoft (แผนภูมิด้านล่างทางด้านขวา): อัตราข้อผิดพลาดในการรู้จำเสียงดั้งเดิมในปี 1988 อยู่ที่ 60-70% ในขณะที่ระบบ Microsoft ใหม่ที่ใช้การเรียนรู้เชิงลึกมีเพียง 6.3% ในปี 2014

องค์ประกอบสำคัญของแอปพลิเคชัน AI ที่ประสบความสำเร็จ

ฉันเชื่อว่า มีองค์ประกอบหลัก 4 ประการในความสำเร็จของผลิตภัณฑ์การเรียนรู้ของเครื่อง (รวมถึงการเรียนรู้เชิงลึก) ได้แก่ ปัญหาที่พึงประสงค์ที่ชัดเจน ข้อมูล อัลกอริธึม และพลังประมวลผล

ประการแรกและสำคัญที่สุด แอปพลิเคชัน AI จำเป็นต้องแก้ปัญหาที่ชัดเจน (เฉพาะเจาะจง) และเป็นที่ต้องการ (กำหนดเป้าหมายไปยังจุดที่ลูกค้าเจ็บปวดอย่างเร่งด่วนและชัดเจน) ลองนึกถึงเกมต่างๆ ที่คอมพิวเตอร์ถูกสอนให้เล่นผ่านคลื่น AI ทั้ง 3 แบบ ได้แก่ หมากฮอส หมากรุก โก เป็นปัญหาที่กำหนดไว้อย่างดีและทำให้คอมพิวเตอร์แก้ไขได้ง่ายขึ้น การจดจำใบหน้า การแปลด้วยเครื่อง รถยนต์ไร้คนขับ การเพิ่มประสิทธิภาพกลไกค้นหา ล้วนเป็นปัญหาที่พึงประสงค์ที่กำหนดไว้อย่างดี อย่างไรก็ตาม ปัญหาที่ต้องการไม่ชัดเจนจึงเป็นสาเหตุให้ผลิตหุ่นยนต์ทำความสะอาดบ้านทั่วไปได้ยาก งานบ้านง่ายๆ เช่น การเก็บถ้วยและใส่เสื้อผ้าในตะกร้า จำเป็นต้องแก้ปัญหามากเกินไป ตัวอย่างเช่น ต้องการให้เครื่องระบุสิ่งที่ต้องหยิบขึ้นมา (ถ้วย ผ้าสกปรก และผ้าไม่สะอาด ฯลฯ) จะไปที่ไหน และจะไปที่นั่นอย่างไร (หลีกเลี่ยงสิ่งกีดขวางในบ้านและเดินทางไปยังที่ต้องการ ตำแหน่ง) จัดการแต่ละวัตถุด้วยกำลังที่ต้องการเพื่อไม่ให้ถ้วยหรือผ้าแตก ฯลฯ

ประการที่สอง การพัฒนาอัลกอริธึมแมชชีนเลิร์นนิงต้องการ การเข้าถึงข้อมูลที่สะอาดและมีป้ายกำกับ อย่างดี นี่เป็นเพราะว่าอัลกอริธึมเหล่านี้สร้างขึ้นโดยการป้อนแบบจำลองทางสถิติที่แตกต่างกันจำนวนมากของข้อมูลที่มีป้ายกำกับอย่างดี เพื่อสร้างความสัมพันธ์เชิงคาดการณ์ที่จำเป็น แบบฝึกหัดการเก็บรวบรวมข้อมูลนี้อาจยากหรือง่าย ขึ้นอยู่กับแอปพลิเคชันเชิงพาณิชย์ที่คุณกำลังพัฒนา ตัวอย่างเช่น ในการรวบรวมข้อมูลที่จำเป็นซึ่งจำเป็นต่อการพัฒนาอัลกอริธึมการมองเห็นด้วยคอมพิวเตอร์สำหรับทุ่งองุ่นไวน์ การเริ่มต้นใช้งานของฉันจำเป็นต้องมีภาพภาคสนามจากสถานที่ต่างๆ ที่มีพันธุ์ต่างกัน และยังคงยากขึ้น - ฤดูกาลที่แตกต่างกัน แต่ละฤดูกาลมีระยะเวลาหนึ่งปีจึงจะต้องใช้เวลาหลายปีกว่าจะได้ผลิตภัณฑ์ที่น่าพอใจ ในทางตรงกันข้าม หากคุณต้องการพัฒนาอัลกอริธึมการจดจำใบหน้าที่ดีในประเทศจีน เพื่อรวบรวมภาพ 10 ล้านภาพ คุณเพียงแค่ต้องตั้งค่ากล้องบนถนนที่พลุกพล่านในกรุงปักกิ่งเป็นเวลาหนึ่งสัปดาห์และงานก็เสร็จสิ้น อีกตัวอย่างหนึ่งคือ Toutiao ผู้รวบรวมข่าวส่วนบุคคลที่ขับเคลื่อนด้วย AI อันดับ 1 ในประเทศจีน ซึ่งเรียนรู้เกี่ยวกับการตั้งค่าข่าวส่วนตัวของคุณและแสดงเฉพาะข่าวที่เกี่ยวข้องกับคุณมากที่สุดเท่านั้น การรวบรวมข้อมูลในกรณีนี้ทำได้ง่ายกว่ามาก เช่น จำนวนบทความที่คุณอ่านในแต่ละหมวดข่าว ระยะเวลาที่คุณใช้ในแต่ละบทความ เป็นต้น

ประการที่สาม ธุรกิจ AI จำเป็นต้องพัฒนา อัลกอริธึมที่แข็งแกร่งและปรับขนาดได้ เพื่อให้บรรลุสิ่งนี้ จำเป็นต้องมีสามประการ: ข้อมูลที่มีป้ายกำกับจำนวนมาก (ตามที่กล่าวไว้ข้างต้น) ความสามารถที่เหมาะสม และความมั่นใจว่าการเรียนรู้เชิงลึกเป็นเทคโนโลยีที่ถูกต้องในการแก้ปัญหา ธุรกิจ AI จำเป็นต้องมีพรสวรรค์ที่เหมาะสมเพื่อพัฒนาอัลกอริธึมที่จำเป็น แต่สิ่งเหล่านี้มีความเชี่ยวชาญสูง มีราคาแพง และหายาก ตัวอย่างเช่น เมื่อฉันต้องการจ้างสำหรับการเริ่มต้นของฉัน ฉันพบว่าอย่างน้อย ฉันต้องการนักวิทยาศาสตร์ข้อมูล (โดยปกติคือปริญญาเอก) เพื่อพัฒนาต้นแบบอัลกอริทึม วิศวกรในการออกแบบเฟรมเวิร์ก โปรแกรมเมอร์ (TensorFlow, Python, C++ เป็นต้น) เพื่อเขียนโค้ด ลงในโปรแกรมที่ปรับขนาดได้ และคนที่จะนำมารวมกัน (ตัวจัดการผลิตภัณฑ์, UX, UI ฯลฯ)

การพิจารณาอีกประการหนึ่งคือ กำลังในการคำนวณ ทำไม? เนื่องจากโครงข่ายประสาทเทียมเชิงลึกต้องการการคำนวณมากกว่าวิธีการอื่นๆ ของ AI ตัวอย่างเช่น สำหรับงานเดียวกันในการระบุสุนัขในภาพ การฝึกโมเดลโดยใช้อัลกอริธึมที่ไม่ใช่การเรียนรู้เชิงลึกอาจต้องการ เช่น โมเดลทางสถิติ 10 ตัวที่มีชุดข้อมูลขนาด 1GB โมเดล Deep Neural Network อาจต้องใช้โมเดลทางสถิติ 1,000 ตัวที่ทำงานผ่านชุดข้อมูลขนาด 100 GB ผลลัพธ์จะดีกว่าเมื่อใช้เครือข่าย แต่พลังในการคำนวณที่ต้องใช้นั้นยิ่งใหญ่กว่ามาก ด้วยเหตุนี้ โมเดลเหล่านี้จึงไม่ได้ต้องการเพียงแค่คอมพิวเตอร์เครื่องเดียว (เช่น สิ่งที่เราทำบนคอมพิวเตอร์ส่วนบุคคลของเรา) แต่ต้องใช้การประมวลผลแบบกระจายพร้อมการจัดการ GPU แต่ละตัว กล่าวคือ 5% ของการคำนวณ เพื่อให้ GPU 20 ตัวรวมกันสามารถรองรับปริมาณการคำนวณที่ต้องการได้ ในทางกลับกัน หมายถึงต้องสร้างเซิร์ฟเวอร์คลัสเตอร์ GPU ของคุณเองหรือเช่าพลังการประมวลผลจากแพลตฟอร์มต่างๆ เช่น AWS พลังประมวลผลจากคลาวด์คอมพิวติ้งหรือเซิร์ฟเวอร์ของคุณเองนั้นมีค่าใช้จ่ายสูง แม้ว่าในความเป็นธรรม ต้นทุนต่อหน่วยของการคำนวณควรลดลงอย่างต่อเนื่อง (ตามกฎหมายของมัวร์)

บทสรุป

หลายคนเชื่อว่าตอนนี้เป็นเวลาที่ดีที่สุดที่จะได้เห็นการพัฒนาและการเริ่มต้นของ AI เนื่องจากการแปลงเป็นดิจิทัลของหลายอุตสาหกรรมและอินเทอร์เน็ตสำหรับผู้บริโภคทำให้มีข้อมูลดิจิทัลที่รวบรวมอย่างมีจุดประสงค์และจัดระเบียบอย่างหมดจดจำนวนมาก การพัฒนา GPU ของ Nvidia และ FPGA ของ Intel ทำให้การคำนวณที่จำเป็นมีราคาถูกลงและเร็วขึ้น คลื่นนวัตกรรม AI ในปัจจุบันจึงขับเคลื่อนโดยความก้าวหน้าที่สำคัญในการเรียนรู้เชิงลึก

แต่เพื่อให้แอปพลิเคชัน AI ประสบความสำเร็จ เราจำเป็นต้องมีปัญหา ข้อมูล อัลกอริธึม และพลังการประมวลผลที่สำคัญที่กำหนดไว้อย่างชัดเจน สำหรับผู้บริหารที่อ่านบทความนี้ซึ่งกำลังพิจารณาใช้ AI เพื่อเสริมศักยภาพธุรกิจ องค์ประกอบหลักสี่ประการที่กล่าวถึงข้างต้นก็มีผลบังคับใช้เช่นกัน

คุณจะเรียนรู้เพิ่มเติมเกี่ยวกับ AI ได้อย่างไร มีหนังสือ สัมมนา หลักสูตร Coursera งานวิจัย และองค์กรมากมาย เช่น Deep Learning เพื่อเรียนรู้เกี่ยวกับ AI เนื่องจากบทความนี้เน้นสำหรับนักลงทุนที่ต้องการทราบพื้นฐานของ AI ผมไม่ได้สัมผัสหัวข้อ AI ที่กำลังมาแรงมากนัก เช่น ศักยภาพของ AI ในฐานะภัยคุกคาม แนวโน้มในอนาคตของอุตสาหกรรม การลงทุน AI ผู้เชี่ยวชาญ และข้อเสียของอัลกอริธึมต่างๆ (เช่น CNN) การสร้างต้นแบบเทียบกับการปรับขนาด ภาษาโปรแกรมหลัก ฯลฯ ในส่วนที่ 2 ของชุดนี้ ฉันจะเจาะลึกถึงวิธีการประเมินบริษัท AI จากมุมมองของนักลงทุน