¿Qué negocio de aprendizaje automático puedo empezar? Aprendiendo y Estudiando para siempre

Por lo general, es una mala idea comenzar desde ese extremo de la línea, ya que hay demasiadas posibilidades, la mayoría de las cuales no serán realmente útiles.

Rara vez es útil intentar crear una empresa nueva alrededor de un espacio problemático que las empresas existentes tienen productos existentes y clientes existentes para. Necesitas una muy buena razón para cambiarse a algo no probado. Es la mentalidad de “nadie fue despedido por comprar (bla)”. Puede tener éxito, pero la cantidad de nuevas empresas exitosas me hace creer que las probabilidades de que ese camino funcione no son buenas.

Los ciclos de desarrollo suelen ser exactamente eso. Se tarda aproximadamente el mismo tiempo para avanzar en un ciclo independientemente del ciclo en el proceso de desarrollo del que esté hablando.

Esta última regla de oro es probablemente un buen punto de partida. Si sabe que puede permitirse pasar cinco años para llegar a algo que está listo para el mercado, entonces sabe que si a todos los demás les toma lo mismo cinco años, no obtendrán nada parecido a la misma ventaja mental. . Es un campo de batalla mucho más parejo. Es por eso que las gafas de Google no derribaron a Occulus Rift.

Así que comienza con tu presupuesto y mira para ver dónde te enfrentas en una ardua lucha por ganar fuerza y donde el interés y la falta de ventaja por parte de los grandes nombres realmente te impulsarán en el entusiasmo.

Entonces, ¿qué sería específicamente algo bueno?

Hemos visto experimentos de garaje con interfaces neuronales y pruebas médicas serias, pero el esfuerzo humano intenso que se necesita para ir más allá de lo absolutamente inútil es enorme. Aunque es un poco especializado. Bueno, es hasta que miras lo que realmente implica descifrar las señales.

Implica identificar qué patrones importan en qué casos, y luego cómo un patrón relaciona la entrada con la salida. Estos son dos problemas extremadamente genéricos y los ves surgiendo de todo, desde el reconocimiento de la música hasta el reconocimiento facial y el juego, hasta no hacer estallar la economía.

Son ideales para el aprendizaje automático, ya que puede separar linealmente los dominios incluso si no entiende por qué o cómo.

Debido a que son simples y genéricos, puede producir módulos simples que puedan realizar estas tareas básicas extremadamente bien. Su fase de I + D está menos centrada en lo que la gente podría querer durante años (porque eso probablemente sea incorrecto). En su lugar, se trata de hacer ladrillos realmente buenos que se pueden mantener juntos muy rápidamente una vez que se haya aclarado toda la incertidumbre. No estás comprometido con algo específico, sino algo para lo que sean útiles tus trozos similares a Lego.

Saber qué patrones son importantes es tu problema interesante. Para una señal compleja dada, puede dividirla en N partes independientes interesantes y M en lugar de partes aburridas. (Eso significa que todavía obtendrá señales complicadas, pero ninguna de esas partes en N depende de que suceda algo en ninguna de las otras y todas las salidas en todas las partes son totalmente independientes).

Entonces, tiene N problemas de aprendizaje automático independiente, por lo que si es lo suficientemente inteligente, todos se pueden hacer en paralelo, lo que lo hace muy rápido.

Diferentes tipos de problemas tendrán diferentes valores para N. Eso está bien. Inicialmente, no le preocupa eso más allá de saber que el primer módulo agrupa N tareas de manera confiable.

Una vez que se acerque al mercado, debe encontrar un valor común para N y construir su producto con el número correcto de núcleos. Sabes que funcionará porque sabes que funcionan los núcleos y la agricultura.

Esos dos núcleos son tu IP, no el ensamblaje. No solo construye varios ensamblajes, sino que también anima a sus consumidores a que lo deseen. Los ensamblajes son caros y transitorios, por lo que solo se enfoca en unos pocos realmente buenos y hace que otros compren solo sus núcleos para manejar los de bajo beneficio.

Entonces desarrollas más núcleos. Estos no son necesarios para una primera pasada, pero son necesarios para construir redes de núcleos de complejidad arbitraria.

Un núcleo de algoritmo genético no dará los mismos resultados que un núcleo de red neuronal.
La identificación de N diferentes clases de señales es excelente, pero si la entrada no tiene un formato coherente, realmente desea un núcleo que clasifique específicamente una de estas señales componentes.
Puede haber casos en los que tenga que dividir las entradas de una manera que produzca salidas interrelacionadas. En ese caso, necesitaría un núcleo que aprende a interrelacionar los resultados de múltiples núcleos en el nivel anterior para producir resultados independientes del nivel actual.

Así que ahora puede dividir, clasificar, procesar y fusionar por redes de núcleos de aprendizaje automático, donde cada núcleo puede programarse dentro o fuera de la red y adaptarse a la lógica o por interacción.

En este punto, tendrá aplicaciones de ejemplo que muchas personas desean, pero también componentes que otros pueden usar para crear cualquier proyecto personalizado que deseen.

La lógica detrás de esta ruptura de partes es la sabiduría desgastada por el tiempo:

Cada parte debe hacer una sola cosa y hacerlo bien. Las redes y tuberías le permiten ensamblar cualquier cosa que desee a partir de eso.
Mantenlo simple. Los núcleos simples se pueden hacer rápidos, confiables, robustos y baratos sin dañar lo que se supone que deben hacer o su capacidad para conectarse en red. Los componentes complicados son poco confiables, caros, impredecibles y propensos a defectos comunes de paralelismo.
Las cosas simples son más rápidas y baratas de desarrollar. Puede inventar nuevos núcleos tan rápido como desee sin tener que volver a verificar todo y casi sin riesgo de que los errores migren de forma impredecible.
Cuanto menos tengas que reinventar la rueda, más podrás inventar algo nuevo. La reutilización es fundamental para una buena ingeniería.