【人工智能】人工智能分类矩阵

对于机器智能初创企业，可能有几种不同的思考方式；考虑到行业的灵活性和从一个群体向另一个群体过渡的便利性，过于狭窄的框架可能会适得其反。看看这个分类矩阵。

By Francesco Corea, Decision Scientist and Data Strategist.

在前面的文章中讨论的所有问题都可能产生两个主要的横向问题:可能在达到下一个投资的相关里程碑之前就用光了资金，以及是否追求特定的业务应用程序来实现收支平衡，而不是专注于产品开发。

就机器智能初创企业而言，与其对不同的公司进行分类，不如用几种不同的方式来思考机器智能初创企业（例如，彭博社Beta投资者Shivon Zilis在2015年提出的分类非常准确，而且非常有用）。但我认为，考虑到行业的灵活性和从一个群体过渡到另一个群体的便利性，过于狭窄的框架可能会适得其反，因此我更倾向于创建四个主要的集群分类：

• 学术衍生品:这些是更长期的研究型公司，它们解决难以破解的问题。这些团队通常都很有经验，他们是真正的创新者，能够在这个领域取得突破;
• 数据即服务(data -as-a-service, DaaS):这一组包括收集特定的巨大数据集的公司，或创建连接不相关的筒仓的新数据源;
• 模型即服务(model as-a-service，简称MaaS):这似乎是最普遍的一类公司，它是由那些将其模式商品化作为收入来源的公司组成的。它们可以以三种不同的形式出现:
  • Narrow AI——一家专注于通过新数据、创新算法或更好的接口解决特定问题的公司;
  • Value extractor -一家利用其模型从数据中提取价值和见解的公司。通常提供的解决方案可能与客户的堆栈集成(通过api或专门构建在客户平台上)，或其他的全堆栈解决方案。所有提供的模型都可以是经过培训的(操作模型)或待培训的(原始模型);
  • Enablers -一个公司，使最终用户可以做她自己的分析(一体化平台)，或允许公司使日常工作流程更有效率，或最终通过创建中间产品(如应用程序)释放新的机会。
• 机器人即服务(RaaS):这个类由人们可以与之交互的虚拟代理和物理代理组成。虚拟代理和聊天机器人覆盖了低成本的一方，而物理世界系统(如自动驾驶汽车、传感器等)、无人机和实际机器人则是资金和人才密集型的一方。

这种分类的结果可以总结为以下矩阵，绘制关于短期货币化(STM)和业务防御能力的组。

图1:人工智能分类矩阵

从更具可行性的产品开始，MaaS是最有可能在短期内将其产品货币化的公司，但也不那么防御性。另一方面，DaaS的可复制性差得多，而且无论如何都是高利润的。学术衍生产品是一个长期的赌注，它是建立在坚实的科学研究基础上的，这使得它们独一无二，但从第一天起就没有价值。最后，RaaS公司可能会面临更多的问题，因为硬件组件的高度过时和创建正确交互界面的困难。这种分类并不是要根据业务的好坏来对任何业务进行排名，也并不意味着属于特定类别的特定公司将不会盈利或取得成功（例如，X.ai是一家高盈利公司，在RaaS领域有一个很好的产品）。它只不过是一个泛化工具，可以通过正确的视角来看待这个行业。

原文：https://www.kdnuggets.com/2016/11/artificial-intelligence-classification-matrix.html

本文：http://jiagoushi.pro/node/1409

讨论：请加入知识星球【CXO智库】或者小号【it_strategy】或者QQ群【1033354921】