Tiene dos formas de capitalizar sus conocimientos de aprendizaje automático:
1. Construir un negocio consultivo con productos de apoyo (tipo SaaS)
Algunos ejemplos e ideas:
- Motor de recomendación de contenido web.
– Mercado muy concurrido; Puede ser rentable si encuentra un nicho; por ejemplo, cree uno especializado (que atienda a publicaciones académicas) y / o localizado (idioma árabe, bahasa indonesio) - Bots y PNL (procesamiento del lenguaje natural)
– Mercado en crecimiento, con muchas grandes empresas como Microsoft, Facebook, Google, IBM construyendo infraestructura para que este mercado prospere y continúe desarrollándose - Minería de datos y soluciones predictivas personalizadas
– La mayoría de las compañías preferirán hacer esto internamente, ya que la minería de datos no suele ser un trabajo único sino una función continua de la compañía. Sin embargo, similar al desarrollo web; También se puede contratar a un profesional de aprendizaje automático para crear soluciones predictivas / de clasificación / regresión para que el cliente las use internamente o para incorporarlas a un conjunto de productos más grande. Si es un profesional capacitado y se interesa, hipotéticamente, en el mercado financiero y bursátil, puede crear un negocio de consulta que se centre en, por ejemplo, que permita a los operadores de bolsa predecir la posibilidad de que una acción pierda valor en función de ciertos escenarios. El principio es hacer muy bien una o dos cosas pequeñas y enfocarse en resolver una necesidad muy específica (pero sin embargo significativa); esto no solo asegura que sus algoritmos puedan generalizar mejor a los casos de uso / datos invisibles, sino que también le permite para probar rápidamente su hipótesis y optimizarla.
2. Sin producto. Consulta pura
Los ejemplos para (1) aún se aplican, pero sin productos que lo acompañen. La ventaja es que probablemente verá un cambio más rápido a medida que trabaja en diferentes proyectos de una empresa / división a otra. Este nivel de exposición ampliará su perspectiva, permitiéndole aplicar técnicas de aprendizaje automático en un amplio espectro de áreas. Puede encontrarse en una startup de creación de drones que busca incorporar la capacidad de reconocimiento óptico de caracteres (OCR), y algunos trabajos de consultoría más tarde, se encontrará en una empresa de billetera móvil escribiendo / mejorando sus sistemas de procesamiento de señal existentes para la detección de fraudes.
- ¿Cuál es la mejor tarjeta gráfica para tareas de aprendizaje automático / Big Data?
- ¿En qué técnicas de aprendizaje automático se puede confiar para identificar (y posiblemente tratar) la deriva del concepto?
- ¿Cómo aprendo el aprendizaje automático y el procesamiento de imágenes para aplicaciones móviles? Por ejemplo, para usar los mismos efectos de filtro en aplicaciones iOS y Android, ¿debería usar Python?
- ¿Cuál es la relación entre K-means y PCA?
- ¿Cómo se almacenan la mayoría de los conjuntos de datos para el aprendizaje automático a gran escala?
Nota relacionada:
Mi empresa, hypergrowth, brinda asesoría en el negocio de publicidad móvil y publicación móvil. Tenemos un bot de comprensión del lenguaje natural, un producto de detección de fraude publicitario y un producto de clasificación de audiencia (algoritmos de clasificación) para usar en especificaciones de orientación. ¿Podrían las empresas con las que trabajamos haberlas hecho internamente? Totalmente, pero existen ventajas distintivas al usar una consulta: la profundidad de implementación, la accesibilidad (a las capacidades de ML y la infraestructura subyacente), y porque una casa de consulta que ha implementado soluciones similares a otras empresas probablemente tendrá una solución con menos sesgos (por lo tanto, mayor ajuste).
Espero que esto sea útil!
