在构建计算机视觉模型之前要问的 4 个问题

Eric Landau贡献者

在 Eric Landau 与他人共同创立Encord 之前，他在 DRW 工作了近十年，在那里他是全球股票 delta one 服务台的首席量化研究员，并将数千个模型投入生产。他拥有哈佛大学应用物理学硕士学位、斯坦福大学电气工程硕士学位和物理学学士学位。

2015 年， YOLO的推出——一种可以为实时对象检测产生预测的高性能计算机视觉模型——开始了雪崩式的进步，加速了计算机视觉从研究到市场的跳跃。

从那时起，对于初创公司来说，这是一个激动人心的时刻，因为企业家们继续在从零售、农业到建筑的各个领域发现计算机视觉的用例。随着计算成本的降低、模型精度的提高和原始数据的快速扩散，越来越多的初创公司开始转向计算机视觉来寻找问题的解决方案。

但是，在创始人开始构建 AI 系统之前，他们应该仔细考虑自己的风险偏好、数据管理实践和未来的 AI 堆栈策略。

TechCrunch+ 正在进行阵亡将士纪念日促销活动。您可以在有限的时间内节省 50% 的年度订阅费用。

以下是创始人在决定构建计算机视觉模型时应考虑的四个因素。

深度学习是解决我的问题的正确工具吗？

这听起来可能很疯狂，但创始人应该问自己的第一个问题是，他们是否甚至需要使用深度学习方法来解决他们的问题。

在我从事金融工作期间，我经常看到我们会雇用一名刚从大学毕业的新员工，他想使用最新的深度学习模型来解决问题。在花时间研究模型之后，他们得出结论，使用线性回归的变体效果更好。

为了避免陷入所谓的原型-生产差距，创始人必须仔细考虑模型部署所需的性能特征。

这个故事的主旨？

深度学习听起来像是一种未来主义的解决方案，但实际上，这些系统对许多小因素都很敏感。通常，您已经可以使用现有且更简单的解决方案——例如“经典”算法——以更低的成本产生同样好的或更好的结果。

在构建深度学习模型之前，从各个角度考虑问题和解决方案。

总体而言，深度学习，尤其是计算机视觉，在创造解决旧问题的新方法方面大有希望。但是，构建这些系统会带来投资风险：您需要机器学习工程师、大量数据和验证机制才能将这些模型投入生产并构建功能正常的 AI 系统。

在开始如此大规模的工作之前，最好评估一个更简单的解决方案是否可以解决您的问题。

在构建任何人工智能系统之前，创始人必须考虑他们的风险偏好，这意味着评估在应用层和研发阶段发生的风险。