Интеллект приложений — это процесс использования технологии машинного обучения для создания приложений, которые используют исторические данные и данные в реальном времени для прогнозирования и принятия решений, чтобы предоставить пользователям богатый, адаптивный и персонализированный опыт.
Мы считаем, что каждое успешное новое приложение, созданное сегодня, будет интеллектуальным приложением.
Армии чат-ботов и виртуальных помощников, сайты электронной коммерции, которые показывают правильные рекомендации в нужное время, и новейшие приложения для знакомств — все это создано для обучения и создания постоянно улучшающихся впечатлений.
Кроме того, устаревшие приложения становятся все более и более интеллектуальными, чтобы конкурировать и идти в ногу с этой новой волной приложений.
Сейчас самое подходящее время для инвестиций в более широкую экосистему интеллектуальных приложений, поскольку в разработке приложений сходятся несколько важных тенденций:
- Доступность огромных вычислительных мощностей и недорогих хранилищ для поддержки моделей машинного обучения,
- Простота использования, с которой разработчики могут использовать преимущества методов машинного обучения,
- Принятие микросервисов в качестве парадигмы разработки приложений и
- Распространение платформ для разработки приложений и, в частности, платформ, основанных на «естественных пользовательских интерфейсах», таких как обмен сообщениями и голосовая связь.
Мы потратили время на размышления о различных способах появления интеллектуальных приложений и о том, как они создаются.
Этот стек интеллектуальных приложений иллюстрирует различные технологические уровни, которые имеют решающее значение для создания интеллектуальных приложений.
Как инвесторы, мы любим думать о динамике рынка основных изменений в отрасли, и появление интеллектуальных приложений, безусловно, создаст много новых возможностей как для стартапов, так и для крупных технологических компаний.
Вот некоторые из наших мыслей о ключевых последствиях для компаний, работающих на различных уровнях стека интеллектуальных приложений:
«Готовые услуги»
Приложения будут определять возможности машинного обучения для конечных пользователей
На уровне приложений будет два основных класса приложений: чистые новые приложения, которые поддерживаются аналитикой приложений, и существующие приложения, улучшенные с помощью аналитики приложений.
Net-new приложения должны будут решить сложную проблему определения того, сколько конечные пользователи будут платить за «искусственный интеллект» и как гарантировать, что они получат часть ценности, предоставляемой пользователям. В более широком смысле будет интересно посмотреть, сбудется ли наш тезис о том, что ценностное предложение машинного обучения будет в первую очередь генератором дохода.
Кроме того, из-за важности высококачественных релевантных данных для моделей машинного обучения мы считаем, что отраслевые приложения или приложения для специализированного использования предоставят самые непосредственные возможности на уровне готовых услуг или приложений.
Сегодня мы видим основные категории приложений для конкретных случаев использования, такие как автономные системы, безопасность и обнаружение аномалий, оптимизация продаж и маркетинга и личные помощники. Мы также видим ряд интересных вертикально ориентированных интеллектуальных приложений, особенно обслуживающих розничную торговлю, здравоохранение, сельское хозяйство, финансовые услуги и биотехнологические отрасли.
Лучшие приложения последнего поколения были созданы такими компаниями, как Amazon для электронной коммерции, Google для поиска и рекламы, Facebook для социальных сетей, Uber для транспорта и Netflix для развлечений.
У этих компаний есть значительное преимущество в машинном обучении и пользовательских данных, но мы считаем, что будут приложения, созданные с нуля, чтобы быть более интеллектуальными, которые могут выиграть в этих категориях, а также в новых категориях, которые обеспечиваются интеллектуальным анализом приложений.
Интерфейсы
Новые интерфейсы превратят приложения в кроссплатформенные «макросервисы»
Когда мы думаем о том, как будут разрабатываться новые интеллектуальные приложения, одним из важных подходов будет преобразование «приложения» в услугу или опыт, которые можно доставлять через любое количество интерфейсов. Например, мы увидим, как такие компании, как Uber, создают «услуги», которые можно предоставлять через приложение, через Интернет и/или через голосовой интерфейс.
Компаниям также будет проще предоставлять свои услуги на разных платформах, поскольку они разрабатывают свои приложения с использованием парадигмы микросервисов, где добавление интеграции с новой платформой может быть таким же простым, как добавление нового уровня API, который подключается ко всем существующим микросервисам для аутентификации. каталог продукции, инвентарь, рекомендации и другие функции.
Распространение новых платформ, таких как Slack, Facebook Messenger, Alexa и магазины виртуальной реальности, также принесет пользу разработчикам, поскольку платформы станут более открытыми, добавят функции, облегчающие жизнь разработчиков, и будут конкурировать за внимание с такими предложениями, как инвестиционные фонды.
Наконец, на уровне интерфейса мы видим «естественные интерфейсы» текста, речи и зрения, открывающие доступ к новым категориям, таким как диалоговая коммерция и AR/VR. Мы невероятно оптимистично смотрим в будущее этих интерфейсов, поскольку это способы, которыми люди взаимодействуют друг с другом и с миром.
Основные блоки и службы обучения
Интеллектуальные стандартные блоки и обучающие сервисы станут основой приложений
По мере того, как компании переходят на парадигму разработки микросервисов, возможность подключать и использовать различные модели и сервисы машинного обучения для предоставления конкретных функций становится все более и более интересной. Две категории компаний, которые мы видим на этом уровне, — это поставщики необработанного машинного интеллекта и поставщики обученных моделей или «Модели как услуга».
В первой категории компании предоставляют разработчикам «примитивы» или основные строительные блоки для создания интеллектуальных приложений, такие как алгоритмы и процессы развертывания. Во второй категории мы видим промежуточные сервисы, которые позволяют компаниям подключать и воспроизводить предварительно обученные модели для таких задач, как пометка изображений, обработка естественного языка или рекомендации по продукту.
Эти две категории компаний обеспечивают большую часть стоимости интеллектуальных приложений, но ключевой вопрос для этого уровня будет заключаться в том, как гарантировать, что эти строительные блоки смогут получить часть ценности, которую они приносят конечным пользователям.
Подход IBM Watson к этому заключается в том, чтобы предоставить разработчикам доступ к своим API бесплатно, но взимать 30-процентную долю дохода, когда приложение выпускается для клиентов. Другие взимают плату за вызовы API, время вычислений или виртуальные машины.
Ключевыми отличиями компаний на этом уровне будут возможность предоставить разработчикам отличный пользовательский опыт, а также точность и производительность алгоритмов и моделей машинного обучения.
Для сложных, но общих проблем, таких как понимание естественного языка, вероятно, будет проще и эффективнее использовать предварительно созданную модель от поставщика, который специализируется на создании лучших данных, моделей и процессов. Однако для специализированных, специфичных для бизнеса задач стартапам и предприятиям потребуется создавать собственные модели и наборы данных.
Сбор и подготовка данных
Сложные и скучные задачи по сбору и подготовке данных станут умнее
Прежде чем данные будут готовы для подачи в рабочий процесс или модель машинного интеллекта, их необходимо собрать, агрегировать, очистить и подготовить. Источники данных для потребительских и корпоративных приложений включают фотографии и видео, веб-сайты и текст, данные о поведении клиентов, данные ИТ-операций, данные датчиков IoT и данные из Интернета.
После того, как приложения оснащены инструментами для сбора нужных фрагментов необработанных данных, данные необходимо преобразовать в формат, готовый для машин. Например, компаниям потребуется брать неструктурированные данные, такие как текстовые документы и фотографии, и преобразовывать их в структурированные данные (подумайте о строках и столбцах), готовые для просмотра машиной.
Важной частью этого шага является понимание того, что качество модели сильно зависит от качества ее входных данных. Создание ботов или «искусственного интеллекта» без высококачественных обучающих данных может привести к непредвиденным последствиям (см. Tay от Microsoft), а создание этих обучающих данных часто зависит от полуручных процессов, таких как краудсорсинг или поиск наборов исторических данных.
Другая область этого пространства, за которой нужно следить, — это компании, которые традиционно служили «тупыми» каналами для источников данных, таких как данные о посещениях или журналы производительности приложений. Мало того, что они будут пытаться создавать прогностические и адаптивные функции, они также столкнутся с конкуренцией со стороны интеллектуальных сервисов, которые черпают информацию из тех же источников данных.
Это будет область инноваций для финансов, CRM, ИТ-операций, маркетинга, управления персоналом и других ключевых бизнес-функций, которые традиционно собирали данные, не получая немедленной информации. Например, программное обеспечение для управления персоналом станет лучше предоставлять обратную связь для интервьюеров и выделять лучших кандидатов на должность на основе исторических данных о предыдущих наймах.
Инфраструктура данных
Умные приложения будут создаваться на основе стека технологий больших данных
Объем данных в мире удваивается каждые 18 месяцев, и благодаря этому взрыву больших данных предприятия вложили значительные средства в технологии хранения и анализа данных.
Такие проекты, как Hadoop и Spark, были одними из ключевых факторов, влияющих на более крупную экосистему интеллектуальных приложений, и они будут продолжать играть ключевую роль в стеке интеллектуальных приложений. Открытый исходный код останется важной характеристикой при выборе аналитической инфраструктуры, поскольку клиенты хотят видеть, что находится «под капотом», и избегать привязки к поставщику при выборе места и способа хранения своих данных.
В сегменте IaaS каждый из основных облачных провайдеров будет конкурировать за выполнение рабочих нагрузок, обеспечивающих работу интеллектуальных приложений. Мы уже видим, как компании открывают исходный код ключевых областей ИС, таких как платформа Google TensorFlow ML, в попытке привлечь компании и разработчиков к своей платформе. Google, в частности, будет интересной компанией, поскольку она предоставляет пользователям доступ к своим моделям машинного обучения, обученным на некоторых из крупнейших в мире наборов данных, для развития своего основного бизнеса IaaS.
Наконец, производители аппаратного обеспечения, которые специализируются на хранении и управлении огромным количеством фотографий, видео, журналов, транзакций и данных IoT, будут иметь решающее значение, чтобы помочь предприятиям идти в ногу с новыми данными, генерируемыми интеллектуальными приложениями.
Мы думаем, что ценность будет захвачена на всех уровнях этого стека, и есть возможность построить значительный бизнес по принципу «победитель получает все» по мере того, как маховик машинного обучения будет запущен. В мире интеллектуальных приложений данные будут иметь решающее значение, и сервисы, способные генерировать данные самого высокого качества, будут иметь несправедливое преимущество благодаря своему маховику данных: чем больше данных, тем лучше модели, что ведет к лучшему пользовательскому опыту, что ведет к большему пользователей, что приводит к большему количеству данных.
Через десять лет подавляющее большинство приложений будут интеллектуальными, а машинное обучение будет столь же важным, как облако последние 10 лет. Компании, которые нырнут в будущее и внедрят интеллектуальные приложения, получат значительное конкурентное преимущество в создании наиболее привлекательных приложений и самых ценных бизнесов.
Эта статья ранее была опубликована на TechCrunch
