Czy przedsiębiorstwa przyjmą AI bez inżynierów wdrożonych na miejscu? Czy liczby przychodów publikowane przez firmy zajmujące się etykietowaniem danych to prawdziwe przychody czy GMV? Na rynku etykietowania danych jest ponad 8 graczy z 100 milionami dolarów ARR, kto wygrywa? Kto przegrywa? Czy rynki talentów AI są martwe? Czy musisz również brać udział w grze dotyczącej kuracji i wdrażania danych? @InvTechInc to jeden z tajnych gigantów na rynku z 200 milionami dolarów ARR i niektórymi z największych firm na świecie jako klientami. Spotify 👉 Youtube 👉 Apple Podcasts 👉 Moje 5 najważniejszych lekcji z rozmowy z ich CEO Matthew Fitzpatrick 👇

1. AI w przedsiębiorstwach jest wciąż na pierwszym etapie Wdrożenie w przedsiębiorstwie to znacznie więcej niż tylko modele, to infrastruktura danych, redesign procesów, odpowiedzialność, zaufanie i obserwowalność. To jak budowanie modeli kredytowych w bankowości, z zarządzaniem ryzykiem modeli, testowaniem, szkoleniem i walidacją. Uważam, że wdrożenie AI w przedsiębiorstwach jest na pierwszym etapie i zajmie dekadę, a nie dwa lata. Czego nikt nie dostrzega w wdrożeniu AI w przedsiębiorstwach, co wszyscy powinni dostrzegać @chetanp @RichardSocher @lqiao @peakji

2. Musisz sprzedawać AI dla przedsiębiorstw poprzez dowody, a nie obietnice Najprostsza rada, jaką daję, to zacząć od dowodów koncepcji, zacząć od sprintów rozwiązań. Nie zapłacą ani dolara, dopóki nie udowodnisz, że technologia działa, zrobimy to za darmo przez osiem tygodni. Jeśli twoja technologia działa, pokażesz to. Jak doradzasz założycielom w kwestii POC @maggie_hott @ajtennant @mark_goldberger

3. Inżynierowie wdrożeni na miejscu (FDE) są kluczowi dla prawdziwego wbudowania przepływu pracy Rozwiązania AI „z pudełka” rzadko się przyjmują. Gdy zmiana wymaga przyjęcia, tylko zespoły osadzone na miejscu z operatorami mogą dostosować narzędzia do rzeczywistych procesów. FDE wypełniają tę lukę, bez nich projekty utkną lub wrócą do fazy pilotażowej. Czy zgadzasz się, że FDE są niezbędni do prawdziwego wdrożenia w przedsiębiorstwie @BrendanFoody @jonsidd @GarrettLord

4. Istnieje rosnąca luka między wydajnością modeli a adopcją w przedsiębiorstwach Publiczne benchmarki pokazują wzrosty dokładności modeli o 40–60%. 60% konsumentów korzysta teraz z AI co tydzień, podczas gdy tylko ~5% wdrożeń w przedsiębiorstwach jest obecnie aktywnych. Zamknięcie tej luki wymaga nie tylko lepszych modeli, ale także infrastruktury danych, przemyślenia procesów roboczych, odpowiedzialności, zaufania i obserwowalności. Jakie są, według Ciebie, największe bariery w adopcji AI w przedsiębiorstwach @levie @benioff @jasonlk @ivanhzhao

5. Dane generowane przez ludzi i ekspertyza będą napędem wzrostu w nadchodzącej dekadzie Dane syntetyczne sprawdzają się w prostych zadaniach, ale złożone, wielomodalne, wielojęzyczne i wieloetapowe rozumowanie wymaga starannie dobranych ludzkich spostrzeżeń. Przedsiębiorstwa będą intensywnie inwestować w zbieranie, weryfikowanie i dostosowywanie do rzeczywistych procesów roboczych. Jak wzrost danych syntetycznych wpływa na rynek danych generowanych przez ludzi @ashugarg @jrichlive @gokulr