چرا استارتاپ‌های هوش مصنوعی داده‌های خود را به دست می‌گیرند؟

استارتاپ‌های هوش مصنوعی در حال تغییر روش‌های جمع‌آوری و استفاده از داده‌ها هستند. با ورود به عصر جدیدی از فناوری، این استارتاپ‌ها به دنبال کنترل بیشتر بر روی داده‌های خود هستند تا بتوانند مدل‌های هوش مصنوعی قوی‌تری بسازند. در این مقاله به بررسی دلایل این رویکرد و تأثیر آن بر صنعت هوش مصنوعی خواهیم پرداخت.

یکی از استارتاپ‌های هوش مصنوعی که تأکید زیادی بر روی جمع‌آوری داده‌های باکیفیت دارد، Turing است. این استارتاپ به تازگی کارکنانی را استخدام کرده است که به صورت دستی ویدیوهای آموزشی را تولید می‌کنند. در این پروسه، هنرمندان با استفاده از دوربین‌های GoPro به کارهای هنری و روزمره خود پرداخته و داده‌های متنوعی جمع‌آوری می‌کنند.

هدف این رویکرد، تمرکز بر روی مهارت‌های انتزاعی مانند حل مسأله و استدلال بصری است. Turing به معنای واقعی کلمه به جمع‌آوری داده‌ها نمی‌پردازد، بلکه به دنبال ایجاد مدل‌های دیداری است که قادر به یادگیری از طریق ویدیوها هستند. با توجه به تجربه‌های پیشین، جمع‌آوری داده‌ها از طریق پیمانکاران معمولاً کیفیت مورد نیاز را نداشته و Turing تصمیم گرفته است که این کار را به صورت داخلی انجام دهد.

در واقع، استفاده از داده‌های باکیفیت می‌تواند آن‌قدر تاثیرگذار باشد که حتی استارتاپ‌های کوچک مانند Fyxer نیز ترجیح می‌دهند تا به جای جمع‌آوری داده‌های انبوه، روی داده‌های محدود و باکیفیت تمرکز کنند. Richard Hollingsworth، بنیان‌گذار Fyxer، معتقد است که کیفیت داده‌ها از کمیت آن‌ها مهم‌تر است. این رویکرد باعث می‌شود تا محصولاتی تولید شوند که دقیق‌تر و بهینه‌تر عمل کنند.

درست است که جمع‌آوری داده‌ها می‌تواند زمان‌بر و سخت باشد، اما این کار به ایجاد یک مزیت رقابتی قوی کمک می‌کند. همان‌طور که Hollingsworth می‌گوید، نه تنها ایجاد یک مدل متن‌باز کار ساده‌ای نیست، بلکه پیدا کردن افرادی که بتوانند به درستی داده‌ها را برچسب‌گذاری کنند نیز چالشی بزرگ محسوب می‌شود. به همین دلیل بسیاری از شرکت‌ها تصمیم به جمع‌آوری داده‌ها به صورت داخلی می‌گیرند.

یکی از دلایل کلیدی این رویکرد این است که اگر داده‌های پیش‌آموزش از کیفیت مناسبی برخوردار نباشند، صدالبته که نتایج نشست‌های آموزشی مطلوب نخواهند بود. داده‌های مصنوعی که از ویدیوهای اولیه استخراج می‌شوند، اغلب می‌توانند پیچیدگی‌های زیادی را در روند یادگیری ایجاد کنند.

استارتاپ‌ها اکنون باید برای بهبود کیفیت داده‌های خود و استفاده بهینه از آن‌ها تلاش کنند. به عبارت دیگر، استارتاپ‌های هوش مصنوعی که به جمع‌آوری داده‌ها به طور مستقل و با کیفیت بالا پرداخته‌اند، در نهایت امکانات بیشتری برای توسعه مدل‌های قوی‌تر و کارآمدتر خواهند داشت.

نتیجه‌گیری

در نهایت، استارتاپ‌های هوش مصنوعی با اتخاذ رویکردی جدید در جمع‌آوری داده‌ها، نشان‌دهنده تمایل به داشتن کنترل بیشتر بر روی منابع خود هستند. با این حرکت به سمت جمع‌آوری داده‌های باکیفیت، این استارتاپ‌ها می‌توانند مزیت رقابتی بزرگی را در بازار فناوری به دست آورند. بنابراین، استارتاپ‌های هوش مصنوعی به سمت جمع‌آوری داده‌های خود و بهینه‌سازی فرایندهای آموزشی روی آورده‌اند.

پرسش‌های متداول