كيفية اختيار حل البرمجة اللغوية العصبية المناسب
ألا تستطيع حضور Transform 2022؟ تحقق من جميع جلسات القمة في مكتبتنا عند الطلب الآن! انظر هنا.
على مدى عقود ، استخدمت الشركات برامج من تصميم هيئة المحلفين للبيانات المنظمة عند محاولة حل المشكلات باستخدام البيانات النصية غير المنظمة. على الرغم من أن هذه الحلول عملت بشكل سيئ ، لم يكن هناك شيء آخر. ومع ذلك ، فقد تحسن التعلم الآلي (ML) مؤخرًا بشكل كبير لفهم اللغة الطبيعية.
مما لا يثير الدهشة ، أن وادي السيليكون في سباق محموم لإنشاء عروض رائدة في السوق لهذه الفرصة الجديدة. تعتقد شركة Khosla Ventures أن معالجة اللغة الطبيعية (NLP) هي أهم اتجاه تقني في السنوات الخمس المقبلة. إذا كان العقد الأول من القرن الحادي والعشرين يدور حول أن يصبح نشاطًا تجاريًا قائمًا على البيانات الضخمة وكان العقد الثاني من القرن الحادي والعشرين يدور حول أن يصبح نشاطًا تجاريًا قائمًا على علم البيانات ، فإن عشرينيات القرن الحالي تدور حول أن تصبح نشاطًا تجاريًا قائمًا على اللغة الطبيعية.
لتسريع تحولها إلى مثل هذا النشاط التجاري ، يجب على المؤسسة إنشاء إستراتيجية قابلة للتطبيق تتوافق مع أهداف أعمالها وتحفز تأثير الأعمال. على الرغم من أن هذا قد يبدو قرارًا معقدًا يتطلب شركة استشارية إدارية باهظة الثمن ، إلا أنه ليس كذلك. يبدأ الأمر بكيفية إجابتك عن سؤالين: أولاً ، من الذي يوظف علماء البيانات ومهندسي التعلم الآلي (MLE)؟ ثانيًا ، من يقوم ببناء وتشغيل مجموعة ML الأساسية التي تستضيف النماذج والأدوات ذات الصلة؟
تسمح إستراتيجية "البناء بنفسك" للشركات ببناء نماذج تعلم الآلة المخصصة من بياناتها. كما أنه يقلل من مخاطر الأمان لأن الشركات لا تضطر إلى مشاركة البيانات مع البائعين الخارجيين لتسميتها أو معالجتها. إذا كان بإمكانك تحقيق ذلك و ، فإن "بناء الخاص بك" يؤدي إلى مزايا تنافسية كبيرة ، حيث أن لديك الآن فريق ذكاء اصطناعي على مستوى عالمي (AI) ، مما يؤدي إلى تضخيم الإنتاجية في جميع جوانب الأعمال.
حدث
MetaBeat 2022 ستجمع MetaBeat قادة الفكر لتقديم المشورة بشأن الطريقة التي ستغير بها التكنولوجيا metaverse الطريقة التي تتواصل بها جميع الصناعات وتؤدي أعمالها في 4 أكتوبر في سان فرانسيسكو ، كاليفورنيا.
سجل هنا
ومع ذلك ، فإن هذه الإستراتيجية هي الأغلى بكثير. يعد بناء وتشغيل مجموعة ML أمرًا معقدًا ويتطلب خبرة متخصصة. تقدر KPMG أنه لتطوير قدرات الذكاء الاصطناعي الناضجة ، تحتاج الشركة إلى توظيف ما لا يقل عن 500-600 موظف AI بدوام كامل - يقوم معظمهم ببناء وتشغيل مجموعة ML - ودفع ما يتراوح بين 100 و 120 مليون دولار سنويًا. علاوة على ذلك ، لا يوجد ضمان للنجاح ، لأن إنتاج الذكاء الاصطناعي يمثل تحديًا حتى لأفضل الفرق.
تعمل إستراتيجية "نظام ML منخفض التعليمات والنماذج المدربة مسبقًا" على تقليل تكلفة تطوير قدرات الذكاء الاصطناعي الناضجة ، حيث يتولى البائع معظم عمليات تطوير وتشغيل حزمة ML. بدلاً من إنفاق أكثر من 100 مليون دولار سنويًا ، يمكن للمنظمات على الأرجح تقليل هذا المبلغ إلى 25-50 مليون دولار سنويًا. تسمح هذه الإستراتيجية أيضًا للشركات بإنشاء نماذج مخصصة لـ ML و NLP. رغم أنه ، مثل الإستراتيجية السابقة ، لا يوجد ضمان للنجاح لأنها ...
ألا تستطيع حضور Transform 2022؟ تحقق من جميع جلسات القمة في مكتبتنا عند الطلب الآن! انظر هنا.
على مدى عقود ، استخدمت الشركات برامج من تصميم هيئة المحلفين للبيانات المنظمة عند محاولة حل المشكلات باستخدام البيانات النصية غير المنظمة. على الرغم من أن هذه الحلول عملت بشكل سيئ ، لم يكن هناك شيء آخر. ومع ذلك ، فقد تحسن التعلم الآلي (ML) مؤخرًا بشكل كبير لفهم اللغة الطبيعية.
مما لا يثير الدهشة ، أن وادي السيليكون في سباق محموم لإنشاء عروض رائدة في السوق لهذه الفرصة الجديدة. تعتقد شركة Khosla Ventures أن معالجة اللغة الطبيعية (NLP) هي أهم اتجاه تقني في السنوات الخمس المقبلة. إذا كان العقد الأول من القرن الحادي والعشرين يدور حول أن يصبح نشاطًا تجاريًا قائمًا على البيانات الضخمة وكان العقد الثاني من القرن الحادي والعشرين يدور حول أن يصبح نشاطًا تجاريًا قائمًا على علم البيانات ، فإن عشرينيات القرن الحالي تدور حول أن تصبح نشاطًا تجاريًا قائمًا على اللغة الطبيعية.
لتسريع تحولها إلى مثل هذا النشاط التجاري ، يجب على المؤسسة إنشاء إستراتيجية قابلة للتطبيق تتوافق مع أهداف أعمالها وتحفز تأثير الأعمال. على الرغم من أن هذا قد يبدو قرارًا معقدًا يتطلب شركة استشارية إدارية باهظة الثمن ، إلا أنه ليس كذلك. يبدأ الأمر بكيفية إجابتك عن سؤالين: أولاً ، من الذي يوظف علماء البيانات ومهندسي التعلم الآلي (MLE)؟ ثانيًا ، من يقوم ببناء وتشغيل مجموعة ML الأساسية التي تستضيف النماذج والأدوات ذات الصلة؟
تسمح إستراتيجية "البناء بنفسك" للشركات ببناء نماذج تعلم الآلة المخصصة من بياناتها. كما أنه يقلل من مخاطر الأمان لأن الشركات لا تضطر إلى مشاركة البيانات مع البائعين الخارجيين لتسميتها أو معالجتها. إذا كان بإمكانك تحقيق ذلك و ، فإن "بناء الخاص بك" يؤدي إلى مزايا تنافسية كبيرة ، حيث أن لديك الآن فريق ذكاء اصطناعي على مستوى عالمي (AI) ، مما يؤدي إلى تضخيم الإنتاجية في جميع جوانب الأعمال.
حدث
MetaBeat 2022 ستجمع MetaBeat قادة الفكر لتقديم المشورة بشأن الطريقة التي ستغير بها التكنولوجيا metaverse الطريقة التي تتواصل بها جميع الصناعات وتؤدي أعمالها في 4 أكتوبر في سان فرانسيسكو ، كاليفورنيا.
سجل هنا
ومع ذلك ، فإن هذه الإستراتيجية هي الأغلى بكثير. يعد بناء وتشغيل مجموعة ML أمرًا معقدًا ويتطلب خبرة متخصصة. تقدر KPMG أنه لتطوير قدرات الذكاء الاصطناعي الناضجة ، تحتاج الشركة إلى توظيف ما لا يقل عن 500-600 موظف AI بدوام كامل - يقوم معظمهم ببناء وتشغيل مجموعة ML - ودفع ما يتراوح بين 100 و 120 مليون دولار سنويًا. علاوة على ذلك ، لا يوجد ضمان للنجاح ، لأن إنتاج الذكاء الاصطناعي يمثل تحديًا حتى لأفضل الفرق.
تعمل إستراتيجية "نظام ML منخفض التعليمات والنماذج المدربة مسبقًا" على تقليل تكلفة تطوير قدرات الذكاء الاصطناعي الناضجة ، حيث يتولى البائع معظم عمليات تطوير وتشغيل حزمة ML. بدلاً من إنفاق أكثر من 100 مليون دولار سنويًا ، يمكن للمنظمات على الأرجح تقليل هذا المبلغ إلى 25-50 مليون دولار سنويًا. تسمح هذه الإستراتيجية أيضًا للشركات بإنشاء نماذج مخصصة لـ ML و NLP. رغم أنه ، مثل الإستراتيجية السابقة ، لا يوجد ضمان للنجاح لأنها ...
What's Your Reaction?
