Donc, vous avez une excellente idée pour une startup. Mais il n'y a qu'un hic; Votre startup nécessite l'apprentissage automatique (ML), et pour vous, cela semble un peu, eh bien, accablant.
Nous avons de bonnes nouvelles pour vous :
Le ML n'a pas besoin d'être compliqué ou de prendre du temps. En fait, il existe aujourd'hui sur le marché un certain nombre de plateformes ML SaaS qui sont intentionnellement conçues pour faire le gros du travail à votre place.
Ici à Nyckel, nous sommes fiers de compter plusieurs startups parmi notre clientèle. Pour certains d'entre eux, le ML est l'élément central de leur entreprise, tandis que pour d'autres, il offre un avantage concurrentiel. Voici quelques exemples de la manière dont Nyckel et des plates-formes similaires peuvent vous permettre d'intégrer le ML dans votre startup de manière à la fois simple et relativement indolore :
- Entraînement avec un minimum de données. Contrairement à ce que vous pourriez penser, 5 à 50 échantillons de données par classe suffisent pour bien démarrer.
- Se tenir au courant des dernières technologies. Inutile de vous inquiéter si vous êtes freiné par l'utilisation d'une ancienne technologie d'apprentissage automatique. Tout bon moteur AutoML (un système qui trouve le meilleur modèle ML possible à partir d'un ensemble de données annoté) essaiera toutes les dernières nouveautés et utilisera ce qui fonctionne le mieux avec vos données.
- Gestion des clusters GPU. Les services gérés tels que Nyckel prennent en charge le provisionnement et la coordination des nœuds GPU pour la formation des modèles, afin que vous puissiez vous concentrer sur vos données et votre problème.
- Fonctionnalités de déploiement automatique. La plupart des plates-formes ML déploient votre modèle formé sur un point de terminaison élastique où il est prêt à être intégré.
Méthodes simples d'utilisation du ML : exemples de cas d'utilisation
Parce que chaque startup est unique, elle s'accompagne de défis uniques. Examinons une gamme d'exemples de cas d'utilisation basés sur différents types de besoins de plate-forme, ainsi que les étapes simples que vous pouvez suivre avec ML pour résoudre chaque problème.
Exemple 1 : Un site de vente au détail a besoin d'aide pour découvrir un produit.
En tant que détaillant en ligne, il est impératif que vos clients puissent facilement rechercher et trouver ce qu'ils recherchent. En utilisant recherche vectorielle d'image à image, vous pouvez implémenter une fonctionnalité simple « Rechercher similaire » qui présente des produits visuellement similaires à celui qu'ils recherchent. Vous pouvez également utiliser la recherche de texte à image pour autoriser les requêtes de texte de forme libre basées sur le contenu de l'image plutôt que sur les métadonnées.
Exemple n° 2 : un site de commerce électronique traitant des données désordonnées provenant de fournisseurs.
Les vendeurs sur votre site ne classent pas toujours leurs articles d'une manière qui fonctionne pour votre magasin. Cela peut nécessiter une recatégorisation manuelle fastidieuse lorsque les données des fournisseurs sont importées dans votre système. Pour résoudre ce problème, vous pouvez créer une multiclasse image or fonction de texte qui catégorise automatiquement les nouvelles entrées.
Exemple #3 : Vendre des biens physiques.
Les RF-ID ou les codes-barres sont parfaits pour le suivi des stocks emballés. Mais pour des produits comme les aliments en vrac, vous avez besoin d'une solution différente. Dans ces scénarios, un simple classification d'image fera souvent l'affaire en classant le produit physique dans la bonne catégorie.
Exemple #4 : Gestion des retours de produits physiques.
Trier le problème et les types de retours de produits peut prendre du temps et être source d'erreurs. Au lieu de le faire manuellement, essayez de vous entraîner fonctions de classification d'images trier pour vous. Utilisez des fonctions spécialisées pour le type de produit et le type de problème pour de meilleurs résultats. Par exemple, si vous vendez des vêtements, vous pouvez former une fonction de classification d'image pour détecter si l'article retourné est une chemise ou un pantalon, et une autre pour déterminer si l'article est endommagé.
Exemple n° 5 : Gestion d'un grand nombre d'interactions client/tickets de service.
Prévoyez-vous un grand nombre d'interactions en temps réel avec les clients ? Vous pouvez rationaliser le processus en formant un fonction de classement de texte pour trier les demandes, répondre automatiquement aux demandes courantes et extraire et agréger les données de sentiment. Au lieu de traiter chaque interaction au cas par cas, vous pouvez désormais les traiter efficacement par ordre d'importance et par catégorie.
Exemple #6 : Traitement des reçus/factures physiques.
Il est difficile de garder une trace des données physiques sans être désorganisé. Utilisez la reconnaissance optique de caractères (“OCR”) pour extraire le texte des reçus, puis classer le texte à l'aide d'un classificateur de texte.
Exemple 7 : Hébergement de contenu généré par les utilisateurs
Vous n'avez pas besoin d'être Zuckerburg - ou maintenant Musk - pour comprendre à quel point il est difficile de gérer des politiques autour de la modération de contenu généré par l'utilisateur. La modération humaine, bien qu'exacte, est coûteuse et inefficace. La meilleure solution est de combiner les pouvoirs de fonctions de classification de texte et d'image pour éliminer les images de spam, les faux profils, le contenu NSFW, les escroqueries et tout autre contenu problématique et l'augmenter avec une modération humaine beaucoup plus efficace.
Les meilleurs joueurs parmi lesquels choisir
Pour les personnes qui découvrent le ML, le paysage des options est à la fois dense et vaste. AWS Sagemaker, par exemple, pourrait être considéré comme une plate-forme ML SaaS, mais il est si large et général qu'il s'agit vraiment plus d'un écosystème qu'autre chose. De plus, il est livré avec une courbe d'apprentissage élevée. Pour cet article, nous avons affiné notre recherche et nous nous sommes concentrés sur les plates-formes qui répondaient aux critères clés suivants :
- « ML personnalisé ». Nous ne considérons que les plates-formes qui vous permettent de faire du ML sur vos propres données. Nous ne considérons pas les services d'IA prédéfinis (pré-formés).
- "Libre-service". Vous avez un accès libre à la plate-forme, les options de tarification sont transparentes et faciles à choisir, et il existe une gamme de documents API pour vous permettre d'être opérationnel.
- "Aucune compétence en ML requise." Vous n'êtes pas obligé de choisir une architecture réseau particulière ou une autre fonction similaire qui suppose que vous connaissez déjà le ML.
- "Un paquet entier." La plate-forme comprend la gestion des données, l'auto-ML et le déploiement, ce qui rend le travail de votre côté aussi minime que possible.
La liste suivante, bien que non exhaustive, représente certaines des meilleures plates-formes ML SaaS que nous avons trouvées à ce jour. Pour rendre encore plus simple de voir les différences entre eux, nous avons inclus des sections pour les types d'entrée et de sortie qu'ils prennent en charge, ainsi que des exemples de cas d'utilisation.
Divulgation complète : je suis co-fondateur de Nyckel, vous pouvez donc dire que je suis partial. 😉 Cela dit, je crois sincèrement aux performances de notre produit et je pense qu'il existe d'autres solutions solides qui répondent également aux besoins uniques des startups.
Nyckel
Nyckel est construit autour de fonctions ML atomiques et accepte plusieurs types d'entrées. Toutes les fonctions sont entièrement prises en charge par notre API, permettant aux utilisateurs n'ayant aucune expérience en ML de commencer rapidement à ajouter du ML à leur plateforme. Fondée en 2021, nous sommes l'une des plates-formes les plus récentes de cette liste et notre base d'utilisateurs augmente rapidement.
Types d'entrée pris en charge : Image, texte, tableau
Types de sortie: Classification, recherche, détection d'objets, OCR
Exemples de cas d'utilisation : Nyckel est populaire auprès de nombreuses plates-formes notables pour la modération de contenu, en particulier lorsqu'il s'agit d'éliminer le spam. Nos clients incluent Taimi, l'un des plus grands sites de rencontres LGBTQ au monde, ainsi que Gust, la plateforme sur laquelle vous lisez cet article, la plus grande communauté d'entrepreneurs et d'investisseurs en démarrage au monde.
Adhérer
Lancée en 2019, Cohere est spécialisée dans le traitement du langage naturel (TAL), sa plateforme étant alimentée par la dernière génération de grands modèles de langage. Ses deux produits, Classify et Generate, visent à améliorer les expériences de chat-box.
Types d'entrée pris en charge : Texte
Types de sortie: Classification, Génération de texte
Exemples de cas d'utilisation : Cohere se concentre sur l'amélioration de l'expérience client, y compris le support client, la reconnaissance des intentions, l'analyse des sentiments, ainsi que l'identification du langage toxique.
Similaire
Ximilar a été fondée en 2016 pour fournir aux entreprises une IA visuelle de pointe pour des applications réelles. Elle est spécialisée dans l'automatisation de la modification d'images et ses services incluent la reconnaissance d'images prête à l'emploi ainsi que personnalisée.
Types d'entrée pris en charge : Image(s)
Types de sortie: Classification, Marquage, Régression, Détection
Exemples de cas d'utilisation : Ximilar est utilisé par un large éventail d'industries, notamment la biotechnologie et le médical, le commerce électronique, la mode et l'immobilier. Selon les besoins des clients, Ximilar peut traiter et améliorer les images, activer les fonctions de marquage/recherches de similarité, analyser les séquences de satellites et de drones, et bien plus encore.
Image
Fondée en 2008, Imagga propose des solutions avancées d'analyse et de compréhension d'images. Ses clients couvrent un large éventail d'industries et ses services incluent le marquage d'images, le recadrage, l'extraction de couleurs et la reconnaissance faciale. La plupart des produits d'Imagga sont basés sur des modèles pré-formés, mais ils offrent un ML personnalisé pour la classification et la recherche d'images.
Types d'entrée pris en charge : Image(s)
Types de sortie: Classement, Recherche
Exemples de cas d'utilisation : Imagga a aidé des sociétés d'imagerie comme Unsplash et PlantSnap à améliorer la recherche d'images et l'expérience utilisateur, à améliorer la découverte de produits sur des sites de vente au détail comme Deliety et à fournir une meilleure organisation du contenu visuel à des clients comme Swisscom et IntelligenceBank.
Précipité
Depuis son lancement en 2020, Hasty est devenu une source incontournable pour l'annotation automatisée. Son approche personnalisée aide les utilisateurs à segmenter rapidement les images. Le nouveau produit AI Consensus Scoring de Hasty est conçu pour automatiser l'assurance qualité (AQ).
Types d'entrée pris en charge : Image(s)
Types de sortie: Classification, étiquetage, détection d'objets
Exemples de cas d'utilisation : La clientèle de Hasty comprend des sociétés minières, métallurgiques et agricoles ainsi que des sociétés de soins de santé qui n'ont que peu ou pas d'expérience en matière de ML, mais qui ont besoin d'une solution efficace et à faible risque pour améliorer la rapidité et la qualité de leur travail.
Légèreté
Levity aide les utilisateurs à automatiser les flux de travail depuis 2020. Plus précisément, il automatise les tâches répétitives mais importantes qui couvrent toute la gamme de la modération de contenu, le marquage automatique des images, l'analyse des réponses textuelles et des sentiments, ainsi que la catégorisation de tout, des e-mails aux documents d'expédition.
Types d'entrée pris en charge : Texte, image, PDF
Types de sortie: Classification
Exemples de cas d'utilisation : La société immobilière Everystay a utilisé avec succès les outils ML de Levity pour suivre des milliers de photos générées par les utilisateurs, tandis que la société de santé animale Vetvo les a utilisées pour détecter les œufs de vers dans des images microscopiques.
Singe Apprendre
MonkeyLearn a été fondée en 2014 pour rendre le ML et le NLP plus accessibles aux entreprises du monde entier. Ses solutions sont orientées vers la labellisation et la visualisation des retours clients. Les utilisateurs peuvent saisir des e-mails, des enquêtes, des avis, des tickets d'assistance, etc. pour créer des balises afin de se connecter aux outils de visualisation et d'analyser les données.
Types d'entrée pris en charge : Texte
Types de sortie: Classification, extraction d'entités nommées
Exemples de cas d'utilisation : Les clients de MonkeyLearn incluent Dell, qui a utilisé la plate-forme pour gagner du temps sur l'analyse des enquêtes de satisfaction des employés, ainsi que de nombreuses autres entreprises qui ont utilisé MonkeyLearn pour simplifier les commentaires des clients, traiter les tickets d'assistance, etc.
Évidemment
Évidemment a été lancé en 2018 pour aider les utilisateurs à prédire les résultats en quelques minutes avec un minimum de données. Son AutoML transforme les données brutes en prédictions en créant un modèle sur mesure tandis que son produit Time Series prédit des valeurs (telles que les ventes, la demande et les visites Web) jusqu'à une date spécifique.
Types d'entrée pris en charge : Tableau, texte, série chronologique
Types de sortie: Classification, régression
Exemples de cas d'utilisation : Les produits d'Evidemment ont été utilisés pour prévoir le taux de désabonnement, détecter la fraude, analyser le risque de crédit et d'autres données liées à l'entreprise. Il a aidé la société commerciale Max Van à créer un bot commercial pour prédire les cours des actions. Parmi les autres exemples de réussite, citons LearningLenders, une entreprise de technologie éducative qui a utilisé Évidemment pour prédire et améliorer les performances des élèves.
Données
Datature, fondée en 2019, est une plateforme de solutions de vision par ordinateur dédiée à aider les utilisateurs à lancer des produits plus rapidement et mieux. Il utilise Nexus, une plate-forme de formation d'IA sans code, pour fournir une gamme de services qui incluent l'annotation et la formation de modèles pour simplifier le développement et le déploiement de solutions de vision par ordinateur.
Types d'entrée pris en charge : Image(s)
Types de sortie: Détection d'objets, segmentation d'instances
Exemples de cas d'utilisation : Datature automatise le processus de découverte de médicaments pour les entreprises pharmaceutiques et de soins de santé, fournit des informations basées sur les données aux entreprises de services publics et d'énergie pour les évaluations de sécurité, et utilise une visualisation de pointe pour aider les détaillants en ligne avec l'inventaire, la recherche de produits et l'analyse.
Akkio
La mission d'Akkio est d'utiliser des solutions d'IA pour résoudre des problèmes complexes et insolubles - de l'énergie renouvelable à la technologie blockchain en passant par la cybersécurité. Fondée en 2019, l'une des valeurs fondamentales d'Akkio est de rendre l'IA accessible à tous ; il aide les entreprises à se développer en offrant des solutions rapides, basées sur les données, classées par application.
Types d'entrée pris en charge : Tableau, séries chronologiques
Types de sortie: Classification, régression
Exemples de cas d'utilisation : Les solutions d'Akkio incluent l'augmentation de la notation des prospects, la prévision, la classification des textes, la détection des fraudes, la modélisation des coûts, la réduction du taux de désabonnement, la fidélisation des employés, l'optimisation du contenu et la réduction des annulations de réservation. Ses solutions sont adaptées à un large éventail de rôles, notamment les analystes commerciaux, les scientifiques des données et les opérations de vente et de marketing.
Roboflux
Roboflow a été lancé en 2020 pour rendre la vision par ordinateur plus accessible aux développeurs. Il offre un large pool d'ensembles de données préexistants, et d'autres produits incluent des modèles personnalisés d'annotation, de déploiement et de formation.
Types d'entrée pris en charge : Image(s)
Types de sortie: Classification, marquage, détection d'objets, segmentation d'instance, segmentation sémantique
Exemples de cas d'utilisation : Les solutions de Roboflow incluent des images de satellites et de drones dans l'aérospatiale et la défense, l'identification des maladies des plantes et des cultures dans l'agriculture et l'amélioration de la qualité des produits et de la sécurité des travailleurs dans la fabrication.
ML pour votre startup sans expertise ML
J'espère que nous vous avons convaincu à ce stade que vous n'avez besoin d'aucune expérience en ML pour commencer à l'utiliser comme solution aux besoins de votre startup.
En fait, bon nombre (sinon la totalité) des plates-formes que nous avons mentionnées ici sont spécifiquement conçues pour les utilisateurs qui n'ont aucune expérience en ML mais qui comprennent néanmoins son importance croissante pour leurs besoins professionnels.
Compte tenu du large éventail de plates-formes disponibles, ainsi que des intrants qu'elles prennent en charge et des solutions qu'elles proposent, avec un peu de recherche, vous devriez être en mesure de trouver la solution idéale pour vous.
À propos de Nyckel
Nyckel construit une API rapide, puissante et ergonomique pour le machine learning personnalisé. Remplaçant le besoin d'une équipe d'apprentissage automatique, Nyckel permet aux développeurs d'ajouter un apprentissage automatique de pointe à leurs applications en quelques minutes. Nous sommes soutenus par Y Combinator, basée en Californie et en croissance ambitieuse.
Cet article est destiné à des fins d'information uniquement et ne constitue pas un conseil fiscal, comptable ou juridique. La situation de chacun est différente ! Pour obtenir des conseils à la lumière de votre situation particulière, consultez un conseiller fiscal, un comptable ou un avocat.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
- La source: https://gust.com/blog/using-machine-learning-for-your-startup/
