Cognilytica追踪了近3000家公司,这些公司提供特定于人工智能或人工智能增强产品在市场上销售。与大多数分析公司一样,我们称这些公司为“供应商”,因为它们提供的是销售产品,而企业是实现产品的“终端用户”。然而,正如你可以想象的那样,这些供应商有很大的多样性。一些供应商专注于提供低级的“启用”基础设施,以支持任何范围的人工智能、机器学习或其他计算或数据密集型活动。另一些则提供一个单一行业的应用程序,将AI应用于特定的业务或行业问题。当然,在中间有一个范围。
终端用户面临的主要挑战是,他们需要在他们试图解决的业务问题的背景下评估供应商。这些供应商完全不同,在许多情况下,将他们相互比较是一件令人沮丧的事情。一些流传最广的供应商名单或“分类”糟糕得可笑。他们把无法解决相同问题或几乎没有共同点的供应商混为一谈。这些供应商图表是许多公司的标志的大杂烩,令人困惑地排列在一个图像或幻灯片上,就像一个巨大的沙拉。什么是有意义的。没有办法评估哪些供应商与其他供应商真正具有可比性,以及不同的解决方案领域之间如何相互关联。客户感到困惑。供应商们感到困惑。其他分析公司和咨询公司也没有提供帮助。他们将旧的研究推向新的领域,重拾他们的大数据——或自动化——或以客户为中心——并将其重新贴上人工智能的标签,或者只是简单地将人工智能应用于特定领域的单一视角。难怪大家都很困惑,客户对人工智能的理解也很迟钝。
我们已经受够了其他的分类,决定在过去的几个月里做我们自己全新的、原创的研究。Cognilytica是唯一一家全面关注人工智能领域的公司。我们仔细观察了市场上的3000多家供应商(如果你相信Crunchbase上的AI公司列表,就会发现超过6000家)。我们将它们划分为狭窄的部分,将最相似的供应商放在一个类别中。然后,我们将这些类别归为具有相似特征的类别。然后,我们将这些数据分类成层,以展示某些技术如何支持堆栈中更高层次的解决方案,或者展示高级解决方案如何消除对低级技术的需求。
这篇文章以及我们所有的研究都将突出这一分类系统,我们鼓励你分享我们的分类图表,这样它们便能够将市场上所有其他糟糕的例子推向市场。在本文中,我们将分享分类系统的概述,以及分类矩阵最下面三层的全部细节。最上面的一层太大了,它需要一个自己的帖子!
人工智能供应商生态系统的四大层次
Cognilytica将供应商划分为四个层次的“堆栈”,从底层最普遍适用的技术发展到顶层最特定于行业的应用程序。一般来说,较低级别的技术和供应商可能会被较高级别的供应商利用,或者在堆栈中较高级别销售解决方案的供应商可能会使对较低级别技术的需求变得无关紧要或不必要。
以下是我们如何看待这四个层次的组织:
人工智能和机器学习基础设施
在这层蛋糕的最底层,也就是人工智能供应商生态系统堆栈,我们拥有广泛的技术,帮助开发和实现人工智能、机器学习和广泛的认知技术。这些解决方案不一定是专门为AI和ML构建的,但它们提供了专门从事该基础设施的供应商提供的必要的底层基础设施技术。
以下是人工智能和机器学习基础设施层的更详细的视图,其中确定了主要类别:
在人工智能和机器学习基础设施层内,Cognilytica进一步识别和分类了以下主要类别和子类别:
人工智能增强的数据科学平台
这些基础设施技术主要是数据科学平台,旨在解决广泛的数据科学问题,无论是否适用于人工智能、机器学习或认知技术。我们在这个类别中介绍的供应商是那些专门优化或增强了他们的产品和服务的人工智能和ML应用程序。通过这种方式,它们提供了广泛的数据科学能力,但可以满足以人工智能为中心的数据科学家的需求。
在这个主要类别中有两个子类别:
- 数据科学平台内置AI支持——这些都是通用数据科学平台内置毫升功能,特别是支持广泛的ML算法,hyperparameter优化和实验,AI-focused数据科学笔记本共享,支持ML工具包和库,实施任何模型中定义的系统的能力。
- 数据科学和ML项目管理-这些是通用的项目管理工具,旨在解决数据科学特定的项目管理和工作流考虑,具体和深入支持人工智能和ML工作流程和过程。帮助管理以数据为中心的流程流,处理模型的所有迭代和治理,以及协调整体以人工智能为中心的数据科学项目的其他方面。
人工智能优化大数据管理
这类供应商主要是通过大数据解决方案来解决大数据问题的大数据供应商,但也特别增加了处理AI和ML工作负载以及处理AI和ML以大数据为中心的需求的能力。
在这个主要类别中有两个子类别:
- 人工智能增强的大数据平台——优化的大数据存储平台,以处理人工智能和ml特定活动对大数据的工作负载和需求。
- 人工智能增强的大数据可视化——通常对大数据进行优化或增强的可视化平台,提供人工智能和ml支持的可视化或其他大数据操作,以增强可视化功能。
AI优化的计算、设备和硬件
这一类的AI &毫升基础设施我们有一系列的硬件和compute-focused设备和计算技术,旨在优化,分散,或专门从事各种人工智能和ML特定任务,计算,算法,或其他必要的活动,从而把工作负载从更通用的计算设备,服务器,和技术。
在这个主要类别中有四个子类别:
- AI加速了硬件和基础设施——计算、存储和网络基础设施,这些基础设施已经专门针对AI和ML工作负载进行了优化。
- 边缘设备——位于网络末端/边缘的特殊设备,在任何连接到全球网络的状态下提供AI和ML功能。
- 神经接口——专门的人脑-计算机接口。
- 专门的芯片组-为人工智能和ML处理和活动优化的专用芯片和硬件。
数据工程与准备
在这类AI和ML基础设施中,有供应商帮助为AI和ML特定的应用程序准备任何质量、清洁、数据源或格式的数据。这些供应商可以提供软件、服务或人工辅助软件,以协助完成准备数据和为受监督的学习应用程序标记数据的各种任务。
在这个主要类别中有两个子类别:
- 数据准备-软件、工具、技术和服务,旨在提高用于人工智能和ML特定应用的数据的有用性、质量、格式和价值。
- 数据标记——提供的产品集中于获取未标记的数据并创建标签,以便它可以用于AI和ML特定的应用程序。
本文:http://jiagoushi.pro/node/1403
讨论:请加入知识星球【CXO智库】或者小号【it_strategy】或者QQ群【1033354921】
- 登录 发表评论
- 74 次浏览
最新内容
- 1 day 19 hours ago
- 1 day 19 hours ago
- 4 days 21 hours ago
- 5 days 10 hours ago
- 6 days 21 hours ago
- 1 week ago
- 1 week ago
- 1 week ago
- 1 week ago
- 1 week ago