ݺߣ

ݺߣShare a Scribd company logo
Rafał Cycoń
Wyzwania w tworzeniu produktu opartego o AI
infoShare AI Roadshow 2018 - Rafał Cycoń (ShelfWise.ai) - Wyzwania w tworzeniu produktu opartego o AI
“China's government has
said it wants to make the
country the world leader
in AI by 2030, by boosting
the value of the sector to
1 trillion yuan ($147.7
billion).”
https://www.cnbc.com/2018/04/09/chinese-ai-startup-senset
ime-raises-600-million-from-alibaba-others.html
Chiny
“OpenAI’s public tax forms reveal just how much companies are willing to splash on AI experts and it's
a lot.
In 2016, the non-profit research lab backed by Elon Musk paid one of its co-founders and research
director Ilya Sutskever a jaw-dropping $1.9m (£1.36m). Ian Goodfellow, known for his work on general
adversarial networks, was second on the list and made $808,243 (£577,000). He has since moved to
Google Brain. The third big name was the roboticist Pieter Abeel, a professor at the University of
California, Berkeley and an adviser at OpenAI, who raked in $425,000 (£303,000).”
https://www.theregister.co.uk/2018/04/21/ai_roundup/
$$$
NIPS 2016
NIPS 2016
infoShare AI Roadshow 2018 - Rafał Cycoń (ShelfWise.ai) - Wyzwania w tworzeniu produktu opartego o AI
infoShare AI Roadshow 2018 - Rafał Cycoń (ShelfWise.ai) - Wyzwania w tworzeniu produktu opartego o AI
- find a business opportunity
- get data
- build models
- ???
- profit $$$
Cóż czynić?
- Procesy które są robione ręcznie lub są bardzo
niezoptymalizowane
- Jaka jest dostępność danych?
- Jaka jest wiedza klientów o AI/ML?
- Mindset: stworzyć produkty który wykorzystuje AI
zamiast obudowywać AI w produkt
Business opportunities
Dane, dane, dane!
(crap in, crap out)
- Dostępność danych (e.g. healthcare; j. pol.)
- Czystość danych
- Czy dystrybucja danych treningowych odpowiada
dystrybucji danych testowych (i.e. spotykanym
produkcyjnie)?
Dane
infoShare AI Roadshow 2018 - Rafał Cycoń (ShelfWise.ai) - Wyzwania w tworzeniu produktu opartego o AI
https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html
https://www.scribd.com/document/381514649/TRAIN-AI-2018-Andrej-Karpathy-Tesla
Oznaczanie w Tesli
https://www.scribd.com/document/381514649/TRAIN-AI-2018-Andrej-Karpathy-Tesla
Oznaczanie w Tesli
https://www.scribd.com/document/381514649/TRAIN-AI-2018-Andrej-Karpathy-Tesla
Oznaczanie w Tesli
https://www.scribd.com/document/381514649/TRAIN-AI-2018-Andrej-Karpathy-Tesla
Oznaczanie w Tesli
https://www.scribd.com/document/381514649/TRAIN-AI-2018-Andrej-Karpathy-Tesla
Oznaczanie w Tesli
Zmiany w dystrybucji
Oznaczanie
Oznaczanie
Oznaczanie
ML & infrastruktura
https://eng.uber.com/michelangelo/
- Arxiv.org
- Konkursy
- Open-source
Algorytmy, modele
Root Mean Squared Error
Root Mean Squared Logarithmic Error
pi
= 600, ai
= 1000
RMSE = 400, RMSLE = 0.5108
pi
= 1400, ai
= 1000
RMSE = 400, RMSLE = 0.3365
Definicja problemu
Definicja problemu
Definicja problemu
Przeuczenie (ang. overfitting)
Testy modelu
Testy modelu
infoShare AI Roadshow 2018 - Rafał Cycoń (ShelfWise.ai) - Wyzwania w tworzeniu produktu opartego o AI
BigGAN (https://arxiv.org/abs/1809.11096)
Thank you!
Rafał Cycoń
rafal@shelfwise.ai

More Related Content

infoShare AI Roadshow 2018 - Rafał Cycoń (ShelfWise.ai) - Wyzwania w tworzeniu produktu opartego o AI