Искуственный интелект.

В статье кратко рассмотрено текущее положение вопроса создания стартапа в сфере искусственного интеллекта и основные этапы этого процесса.
В последние годы наблюдается стремительный рост проектов крупных компаний и стартапов, успешно применяющих в своих приложениях искусственный интеллект. Произносятся даже такие слова, как «начало революции искусственного интеллекта». Уже в прогнозе Tractica 2016 года было показано наличие 191 коммерческих примеров использования искусственного интеллекта в 27 различных индустриях. Среди этих примеров распознавание и генерация изображений, алгоритмическая торговля ценными бумагами, управление данными о пациентах в системе здравоохранения, рекомендательные сервисы и т. д.
Искусственный интеллект долгое время воспринимался как следующий горизонт в сфере развития Computer Science, однако вычислительные мощности, доступные для ежедневного применения в реальных задачах, стали доступны лишь недавно. Такое улучшение возможностей расчета привело к созданию более совершенных алгоритмов анализа данных. Kdnuggets рассматривает 2018 год как лучший для создания стартапа на основе искусственного интеллекта.
Этот тезис подтверждается стартапами, возникающими чуть ли не еженедельно.Один из последних примеров – приложение Tetra, делающее детализированные текстовые записи прямо в процессе телефонного разговора.
Другой пример – приложение Hyper Science автоматизирует процесс извлечения информации из изображений анкетных форм.
Приложение JetLore позволяет выводить информацию, структурированную различным образом, в зависимости от поведения потребителя.
Чтобы открыть подобный стартап, первым шагом, конечно, является овладение концепциями искусственного интеллекта. Естественно, вы не можете создать какое-либо решение при помощи технологии, которой просто не владеете.

1. Овладейте концепциями Deep Learning
   Один из возможных путей быстро сориентироваться в этой области, это просмотреть и проработать следующую последовательность плейлистов на канале Siraj Raval:
   Далее можно порекомендовать пройти специализацию Deep Learning, подготовленную Andrew Ng для Coursera.org, а также курс Jeremy Howard на fast.ai. Одна из лучших книг по этой теме, доступная к тому же в интернете, это Deep Learning Book, написанная Ian Goodfellow.
   Однако вам нужно разбираться не только в глубоком обучении, но и том, как работают другие модели машинного обучения. В ряде случаев метод опорных векторов или дерево принятия решений будут более полезными инструментами, чем глубокое обучение при помощи нейронных сетей. Интуиция относительно того, какой именно метод выбрать, вырабатывается в результате опыта работы с этими инструментами.
2. Найдите задачу для искусственного интеллекта, которая будет интересна вам самому
   Многие крупные компании возникли именно из того, что разработчики сами столкнулись с какой-то важной для них проблемой. Запишите задачи, с которыми регулярно сталкиваетесь вы сами или ваши друзья. Лучшими кандидатами для скорейшего решения будут те проблемы, с которыми сталкиваются люди, о которых вы больше всего заботитесь – в этом случае вы будете лучше мотивированы.
   Если вам не приходит на ум ни одна такая задача, можете поискать при помощи социальных сетей, каких программных решений не хватает людям. Используйте соответствующие слова для запроса, содержащие такие фразы, как «How do I» , например, на Reddit или в Twiiter.
   Как сказал Илон Маск, «быть предпринимателем это как жевать стекло, уставившись в бездну». Если у вас нет интереса к решению проблемы, вы застрянете, когда станет тяжело. Неважно сколько негативных комментариев получает ваша работа, главное – что вы верите в предлагаемое решение проблемы.
3. Изучите рынок
   Когда вы поняли какую проблему и для кого вы решаете, проведите исследование рынка. Кто может купить ваше решение? Где покупатели смогут его приобрести? Какую сумму им придется заплатить? Какие продукты являются конкурентами вашего решения? Сколько будет стоить развертывание приложения? Какова история развития рынка?
4. Соберите данные
   Прежде чем построить модель, соберите и организуйте данные по решаемой проблеме, собранные в необходимом количестве. Качество данных – это традиционно наиболее важная часть машинного обучения, даже более важная, чем архитектура выбранной модели.
5. Соберите команду и зарабатывайте деньги
   Внимательно отнеситесь к выбору людей. Количество талантливых разработчиков ограничено, и они распределены по всему миру, не пренебрегайте этим. Относительно анализа данных, это хорошо видно по таблице рейтинга лучших специалистов по версии Kaggle.