[AI洞見]第一波浪潮退卻後，AI公司何種商業模式能落地？
by
立馬度 2018.04.16
現在有這麼多的「AI公司」，在AngelList上有紀錄的，就有近萬家：圖像辨識的就有300多家，NPL的近800家。我們不禁在想：同一個東西，將來真的需要幾百種辨識的方式嗎？這麼多AI公司，究竟怎麼樣的「AI公司」會勝出？
「近一年來，公司已經逐漸由『AI技術公司』轉變成為『AI系統整合商』。」中國一家AI新創公司的營運總監這麼說。
「通用的技術訓練框架門檻變得很低，但個別產用應用的差異化又極大，超過九成的專案都需要客製化，完成A客戶的專案很難複製到B Case，主要原因是資料來源與內容有保密性且專屬性。」
而現在有這麼多的「AI公司」，在AngelList上有紀錄的，就有近萬家：圖像辨識的就有300多家，NPL的近800家。
我們不禁在想：同一個東西，將來真的需要幾百種辨識的方式嗎？
這麼多AI公司，究竟怎麼樣的「AI公司」會勝出？
Deep Learning is being commoditized 深度學習逐漸商品化，進入的門檻越來越低了
「Commoditization」常被翻譯成「商品化」，但它真正意思是：企業所提供的某類商品或服務，到處皆可取得，已經被標準化、品質上沒有明顯的差異，而且與另外一家公司所提供的該商品或服務是可以互相取代的。
而讓深度學習(DL)標準化、商品化，使之進入門檻越來愈低的，不是別人，正是Google、Amazon這些科技大頭。
一開始覺得奇怪，DL技術應該是科技大頭的寶貴資產，為什麼反而開放出像是Tensorflow這種Open Source，讓大家可以站在巨人的肩膀上，發展得更快？
原因是這些科技大頭們大多很早期就已經使用人工智慧技術，所以當DL能夠大幅改善機器學習效率時，與其把DL的演算法都藏起自家用，倒不如讓DL的進入門檻越來越低。
因為他們清楚知道DL本身不能獨存，若能讓DL更普及，那些將它商品化所需的資料、計算能力與軟體，還有產業應用導入，才是Google、Amazon這些科技大頭能夠賺進更多錢的地方。
三個階段讓AI的落地策略逐漸明朗: 「演算法」、「資料源」與「垂直領域」
DL剛開始在AI領域發展時，大家都專注在Algorithm(演算法)的開發，看誰的程式能夠更優化深度學習的能力，但是隨著各種訓練框架例如Tensorflow等Open Source快速演進，系統訓練能力逐漸變得差異化越來越小。
ImageNet在2017年7月26日正式宣布停止再繼續圖像識別的比賽，正是因為機器學習在辨識能力已經高達將近98%，高於人眼的95%，而且各家辨識結果大多差異不大，再繼續辦下去的意義已經不太大了。
自此深度學習正式進入「資料源」的競賽。
毫無意外的，「資料」絕對是深度學習的「養分」。因為資料的取得、分析、前處理，與擁有資料的垂直產業，以及資料工程師的能力有直接關係，這時候許多「以演算法為核心」的AI公司在跑不到多久時間就宣布退出比賽了。
今年開始，人工智慧開始逐漸要從深度學習的PoC(Proof of Concept)進入實際落地階段，這讓AI新創公司開始要面對市場的現實狀況——如何避免成為一家只有演算法的公司？如何導入垂直產業的實際應用領域(Vertical AI)？
什麼叫做「能夠導入垂直產業、被實際應用的Vertical AI」？
舉個例子：棉花是大規模種植的經濟作物，有個AI的新創公司找到了個機會點，想要採用深度學習的方式來辨識「棉花植株的生長狀況如何」，而且演算法的準確率也的確高達98%。
能夠「辨別棉花植株的生長狀況如何」，聽起來似乎是個突破性的創新，而且非常「垂直領域」了。
但是實際的狀況是：這樣的技術，距離農產品業者能夠真的採用，還有很大一段距離。
想像來到了農場上，馬上會碰到的問題是：如何移動、大規模檢測？每天的日照不同，測得準嗎？就算檢測出來，馬上又會被問到的問題是：那麼多植株，每個狀況不同，哪株各需要多少農藥或肥料？有機器人可以移動並各別處理嗎？處理完後，怎麼確定植物有長得更好？
原因是，實際能夠上市的農產品檢驗設備，是「應用整合設備」──光源(高度影響判斷準確)、機器操作、噴灑控制、檢驗比對等。
由此可見，「檢驗植株生長狀況的準確率」，當然是關鍵要素，但也只是必要條件「之一」而已，此外還包括檢驗的速度、處理的品質、設備的構裝等。
而就算完成以上這些，這還只是產品本身，當先牽涉到進入此產業，還需考慮後勤、成本與技術服務移轉等。
所以要做為一Vertical AI，必須要提供的是完整的「Full-Stack Product」，是要能夠真正的依靠AI技術去解決產業的「真正痛點」，而非見樹不見林的只從單一小部分著手而已。
與其成為AI公司進入某個垂直產業，倒不如說，這本來就是某應用領域的專業公司，只是用了AI技術來做強化。
就像網際網路剛出來時沒甚麼人懂，現在普通人都可以藉由開網頁幫手，開店、開部落格，那是因為網頁只是一個「工具」，有價值的不是網頁本身，而是產業透過網頁要解決的問題。做零售業的人，因為有網頁而成為了電商。但我們不會說電商是一個做網頁的公司。因為它經營的本質不變，還是「賣東西給客人」。
深度學習用在AI，也是一個「工具」，用來幫忙「強化」原有產業的服務內容。而它就跟網頁的發展一樣，會逐漸被Commoditized。
而AI公司避免被Commoditization淘汰掉的方式，就是走「深」、走「垂直領域的Full-Stack Product」、「走Vertical AI」。
可以試想大多的AI公司都能夠明白這些道理，但是要從「技術服務公司」轉化成「應用公司」，那基本上是商業模式的重新定義。就像要寫網頁的公司變成電子商務公司一樣：前者本質是技術服務公司，後者本質是零售業。
如果我們循網頁發展的思路，來看兩到三年後可能可行的AI商業模式：目前這些AI新創公司，與其把自己定義成AI技術公司，不如仔細思考，如何善用AI技術來改善現況，但是核心應該還是以「該產業的商業模式」作為公司經營方向。
這是什麼意思？
舉個例子來說：中國很多AI公司落地是做安防產業，利用AI的辨識技術來強化安防分析的效果。但他們知道辨識技術只是其中一環，舉凡安防所要涉及的通路、經營模式、定價、產品類型，才是公司的主要方向。
當然AI的範疇很廣，不僅是垂直領域的應用而已。但對AI新創來說：
要做AI，最好能成為Vertical AI；而最成功的Vertical AI，本質上其實就是某個垂直產業應用的公司，AI只是技術強化的一部份而已。
資料來源：https://www.bnext.com.tw/…/…/ai-business-model-deep-learning
tensorflow圖像辨識 在 [問題] 影像辨識物件識別keras tensorflow 工具 的推薦與評價
作業系統:s
Windows
問題類別:s
DL,CNN
使用工具:s
python,tensorflow,keras
問題內容:s
各位版上的學長姐大家好
小弟我想請教一下各位
關於學習物件分割、物件識別技術
會框出結果的那種
有沒有合適的工具書（影像分類我已經會）
可以麻煩提供小弟我出版社跟書名
感謝大家
-----
Sent from JPTT on my iPhone
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 223.137.39.217 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1603078944.A.A85.html
... <看更多>