إريك لانداو
مساهم
قبل أن يشارك إريك لانداو في تأسيس تشفير ، قضى ما يقرب من عقد من الزمن في DRW ، حيث كان باحثًا كميًا في الأسهم العالمية دلتا مكتب واحد ووضع الآلاف من النماذج في الإنتاج. يحمل S.M. في الفيزياء التطبيقية من جامعة هارفارد ، ماجستير في الهندسة الكهربائية و B.S. في الفيزياء من جامعة ستانفورد.
في عام 2015 ، بدأ إطلاق YOLO-وهو نموذج رؤية للكمبيوتر عالي الأداء يمكن أن ينتج عن تنبؤات للكشف عن الكائنات في الوقت الحقيقي-انهيارًا جليديًا من التقدم الذي يسرع في قفزة Computer Vision's Jump من البحث إلى السوق.
لقد كان وقتًا مثيرًا منذ ذلك الحين للشركات الناشئة ، حيث يواصل رواد الأعمال اكتشاف حالات الاستخدام لرؤية الكمبيوتر في كل شيء بدءًا من البيع بالتجزئة والزراعة إلى البناء. مع انخفاض تكاليف الحوسبة ، ودقة أكبر للنموذج والانتشار السريع للبيانات الأولية ، يتحول عدد متزايد من الشركات الناشئة إلى رؤية الكمبيوتر لإيجاد حلول للمشاكل. حول شهيتهم المخاطرة ، ممارسات إدارة البيانات واستراتيجياتها لإعصاقها في المستقبل. يمكنك توفير 50 ٪ على الاشتراكات السنوية لوقت محدود.
فيما يلي أربعة عوامل يجب على المؤسسين مراعاتها عند اتخاذ قرار بناء نماذج رؤية الكمبيوتر. ؟
قد يبدو الأمر مجنونًا ، ولكن يجب على مؤسسي الأسئلة الأولى أن يسألوا أنفسهم هو ما إذا كانوا بحاجة إلى استخدام نهج التعلم العميق لحل مشكلتهم.
خلال فترة التمويل ، غالبًا رأينا أننا سنقوم بتوظيف موظف جديد مباشرة خارج الجامعة يرغب في استخدام أحدث نموذج للتعلم العميق لحل مشكلة ما. بعد قضاء الوقت في العمل على النموذج ، توصلوا إلى استنتاج مفاده أن استخدام متغير من الانحدار الخطي كان أفضل. يجب على المؤسسين التفكير بعناية في خصائص الأداء المطلوبة لنشر النموذج.
معنوية القصة؟
قد يبدو التعلم العميق وكأنه حل مستقبلي ، ولكن في الواقع ، هذه الأنظمة حساسة للعديد من العوامل الصغيرة. في كثير من الأحيان ، يمكنك بالفعل استخدام حل حالي وأبسط - مثل الخوارزمية الكلاسيكية - التي تنتج نتيجة جيدة أو أفضل على قدم المساواة لتكلفة أقل.
نموذج التعلم العميق.
التعلم العميق بشكل عام ، ورؤية الكمبيوتر على وجه الخصوص ، يحمل الكثير من الوعد لخلق أساليب جديدة لحل المشكلات القديمة. ومع ذلك ، يأتي بناء هذه الأنظمة مع مخاطر الاستثمار: ستحتاج إلى مهندسي التعلم الآلي ، والكثير من آليات البيانات والتحقق من صحة وضع هذه النماذج في الإنتاج وبناء نظام AI يعمل.
من الأفضل تقييم ما إذا كان يمكن لحل أبسط أن يحل مشكلتك قبل البدء في مثل هذا الجهد الواسع النطاق. في كل من طبقة التطبيق ومرحلة البحث والتطوير.
مساهم
قبل أن يشارك إريك لانداو في تأسيس تشفير ، قضى ما يقرب من عقد من الزمن في DRW ، حيث كان باحثًا كميًا في الأسهم العالمية دلتا مكتب واحد ووضع الآلاف من النماذج في الإنتاج. يحمل S.M. في الفيزياء التطبيقية من جامعة هارفارد ، ماجستير في الهندسة الكهربائية و B.S. في الفيزياء من جامعة ستانفورد.
في عام 2015 ، بدأ إطلاق YOLO-وهو نموذج رؤية للكمبيوتر عالي الأداء يمكن أن ينتج عن تنبؤات للكشف عن الكائنات في الوقت الحقيقي-انهيارًا جليديًا من التقدم الذي يسرع في قفزة Computer Vision's Jump من البحث إلى السوق.
لقد كان وقتًا مثيرًا منذ ذلك الحين للشركات الناشئة ، حيث يواصل رواد الأعمال اكتشاف حالات الاستخدام لرؤية الكمبيوتر في كل شيء بدءًا من البيع بالتجزئة والزراعة إلى البناء. مع انخفاض تكاليف الحوسبة ، ودقة أكبر للنموذج والانتشار السريع للبيانات الأولية ، يتحول عدد متزايد من الشركات الناشئة إلى رؤية الكمبيوتر لإيجاد حلول للمشاكل. حول شهيتهم المخاطرة ، ممارسات إدارة البيانات واستراتيجياتها لإعصاقها في المستقبل. يمكنك توفير 50 ٪ على الاشتراكات السنوية لوقت محدود.
فيما يلي أربعة عوامل يجب على المؤسسين مراعاتها عند اتخاذ قرار بناء نماذج رؤية الكمبيوتر. ؟
قد يبدو الأمر مجنونًا ، ولكن يجب على مؤسسي الأسئلة الأولى أن يسألوا أنفسهم هو ما إذا كانوا بحاجة إلى استخدام نهج التعلم العميق لحل مشكلتهم.
خلال فترة التمويل ، غالبًا رأينا أننا سنقوم بتوظيف موظف جديد مباشرة خارج الجامعة يرغب في استخدام أحدث نموذج للتعلم العميق لحل مشكلة ما. بعد قضاء الوقت في العمل على النموذج ، توصلوا إلى استنتاج مفاده أن استخدام متغير من الانحدار الخطي كان أفضل. يجب على المؤسسين التفكير بعناية في خصائص الأداء المطلوبة لنشر النموذج.
معنوية القصة؟
قد يبدو التعلم العميق وكأنه حل مستقبلي ، ولكن في الواقع ، هذه الأنظمة حساسة للعديد من العوامل الصغيرة. في كثير من الأحيان ، يمكنك بالفعل استخدام حل حالي وأبسط - مثل الخوارزمية الكلاسيكية - التي تنتج نتيجة جيدة أو أفضل على قدم المساواة لتكلفة أقل.
نموذج التعلم العميق.
التعلم العميق بشكل عام ، ورؤية الكمبيوتر على وجه الخصوص ، يحمل الكثير من الوعد لخلق أساليب جديدة لحل المشكلات القديمة. ومع ذلك ، يأتي بناء هذه الأنظمة مع مخاطر الاستثمار: ستحتاج إلى مهندسي التعلم الآلي ، والكثير من آليات البيانات والتحقق من صحة وضع هذه النماذج في الإنتاج وبناء نظام AI يعمل.
من الأفضل تقييم ما إذا كان يمكن لحل أبسط أن يحل مشكلتك قبل البدء في مثل هذا الجهد الواسع النطاق. في كل من طبقة التطبيق ومرحلة البحث والتطوير.
اخلاء مسؤولية! هذا المقال لا يعبر بالضرورة عن رأي جامعة الرازي
