Avant qu’Eric Landau ne cofonde Encord, il a passé près d’une décennie chez DRW, où il a été chercheur quantitatif principal sur un bureau delta one des actions mondiales et a mis en production des milliers de modèles. Il est titulaire d’une maîtrise en physique appliquée de l’Université de Harvard, d’une maîtrise en génie électrique et d’une licence en physique de l’Université de Stanford.
En 2015, le Le lancement de YOLO – un modèle de vision par ordinateur très performant qui pourrait produire des prédictions pour la détection d’objets en temps réel – a déclenché une avalanche de progrès qui a accéléré le passage de la vision par ordinateur de la recherche au marché.
C’est depuis une période passionnante pour les startups, car les entrepreneurs continuent de découvrir des cas d’utilisation de la vision par ordinateur dans tous les domaines, de la vente au détail et de l’agriculture à la construction. Avec des coûts de calcul plus faibles, une plus grande précision des modèles et une prolifération rapide des données brutes, un nombre croissant de startups se tournent vers la vision par ordinateur pour trouver des solutions aux problèmes.
Cependant, avant que les fondateurs ne commencent à construire des systèmes d’IA, ils doivent réfléchir attentivement à leur appétit pour le risque, à leurs pratiques de gestion des données et à leurs stratégies pour pérenniser leur pile d’IA.
TechCrunch + organise une vente Memorial Day. Vous pouvez économiser 50 % sur les abonnements annuels pour une durée limitée.
Vous trouverez ci-dessous quatre facteurs que les fondateurs doivent prendre en compte lorsqu’ils décident de créer des modèles de vision par ordinateur.
Le deep learning est-il le bon outil pour résoudre mon problème ?
Cela peut sembler fou, mais la première question que les fondateurs devraient se poser est de savoir s’ils ont même besoin d’utiliser une approche d’apprentissage en profondeur pour résoudre leur problème.
Lorsque j’étais en finance, j’ai souvent vu que nous embauchions un nouvel employé dès la sortie de l’université qui voudrait utiliser le dernier modèle d’apprentissage en profondeur pour résoudre un problème. Après avoir passé du temps à travailler sur le modèle, ils étaient arrivés à la conclusion que l’utilisation d’une variante de régression linéaire fonctionnait mieux.
Pour éviter de tomber dans le soi-disant écart de production de prototypes, les fondateurs doivent réfléchir attentivement aux caractéristiques de performance requises pour le déploiement du modèle.
La morale de l’histoire?
L’apprentissage en profondeur peut sembler être une solution futuriste, mais en réalité, ces systèmes sont sensibles à de nombreux petits facteurs. Souvent, vous pouvez déjà utiliser une solution existante et plus simple – comme un algorithme “classique” – qui produit un résultat tout aussi bon ou meilleur à moindre coût.
Considérez le problème et la solution sous tous les angles avant de créer un modèle d’apprentissage en profondeur.
L’apprentissage en profondeur en général, et la vision par ordinateur en particulier, sont très prometteurs pour créer de nouvelles approches pour résoudre des problèmes anciens. Cependant, la construction de ces systèmes comporte un risque d’investissement : vous aurez besoin d’ingénieurs en apprentissage automatique, de nombreuses données et de mécanismes de validation pour mettre ces modèles en production et créer un système d’IA fonctionnel.
Il est préférable d’évaluer si une solution plus simple pourrait résoudre votre problème avant de commencer un effort à si grande échelle.
Effectuer une évaluation approfondie des risques
Avant de construire un système d’IA, les fondateurs doivent tenir compte de leur appétit pour le risque, ce qui signifie évaluer les risques qui se produisent à la fois au niveau de la couche d’application et au stade de la recherche et du développement.
