4 VC, makine öğrenimi başlangıç ​​pazarı hakkında iyimser olmak için neden iyi bir neden olduğunu gösteriyor

Sen konuştuğunda yapay zeka startup’larına yatırımlar ile makine öğrenimi startup’larına yapılan yatırımlar hakkında, “AI” ile “makine öğrenimi”ni birbirinden ayırmak önemlidir. Bu ifadeler genellikle birbirinin yerine kullanılır, ancak biraz farklı bir anlam taşırlar.

Makine öğrenimi veya ML, AI modellerini karar vermeyi öğrenebilmeleri için eğitme yöntemidir. Başka bir deyişle makine öğrenimi, verilerden öğrenerek ve tahminler yaparak belirli görevleri çözmek için eğitim modelleri içerir. Öte yandan AI, insan bilişini taklit eden sistemler için daha geniş bir kavramdır.

Yani makine öğrenimi, yapay zekanın bir alt alanıdır ancak aynı şey değildir.

Insight Partners’ın genel müdürü Lonne Jaffe, Insight’ın makine öğrenimi başlangıcı tanımını açmak için “üç katmanlı” bir çerçeve kullandığını açıklıyor.

Katılmak için daha fazla yatırımcı arayarak merceğimizi genişletiyoruz TechCrunch+ anketlerisektörlerindeki zorluklar hakkında en iyi profesyonelleri sorguladığımız yer.

Bir yatırımcıysanız ve gelecekteki anketlere katılmak istiyorsanız, doldurun bu form.

İlk katmanda, çekirdek altyapı şirketlerinin – bir kişinin bir makine öğrenimi sistemi oluşturduğu ürünler olduğunu söylüyor. İkinci katmanda, makine öğrenimi kullanarak belirli bir kullanım durumunu veya iş akışını ele almaya çalışan uygulamalar bulunur. Bu arada üçüncü katman, bir endüstride o endüstride “gerçek bir oyuncu” olarak kendini gösteren makine öğrenimi girişimlerini içerir – girişimin özü hala makine öğrenimi yeteneği olsa bile, bir başlangıç ​​bankası haline gelen girişimleri düşünün.

Bu çerçeveye göre, makine öğrenimi girişimlerinin örnekleri, yapay zeka modelleri oluşturmak ve izlemek için araçlar sağlayan Weights & Biases’ten kolonoskopiden kanserli polipleri belirlemek için tasarlanmış bir makine öğrenimi sisteminden yararlanan bir sağlık şirketi olan Iterative Health’e kadar uzanıyor.

Makine öğrenimi pazarı oldukça geniştir ve rapor Grand View Research’ten, 2022’de 49,6 milyar dolar değerinde olduğunu ve 2030’a kadar %33,5’lik bir YBBO ile büyüyebileceğini tahmin ediyor. Bu kuruluşların %50’si bugün 25 veya daha fazla makine öğrenimi modeline sahip olduğunu iddia ediyor.

Bu alan neden bu kadar hızlı büyüyor? S&P bünyesindeki teknoloji Ar-Ge grubu 451 Research, yakın zamanda ortaya attı. rapor ilk makine öğrenimi benimseme dalgasının, iş zekası, müşteri desteği, satış ve pazarlama ve güvenlik gibi eski sistemleri ve süreçleri daha akıllı hale getirmeye odaklandığını. Ancak şimdi, bu uygulamalar olgunlaştıkça dikkatler özellikle finans, perakende, üretim ve sağlık sektörlerinde daha niş, sektöre özgü ve kazançlı makine öğrenimi uygulamalarına kaydı.

Greylock’un bir ortağı olan Jerry Chen, yeni nesil makine öğrenimi şirketlerinin ne olacağını daha yeni görmeye başladığımıza inanıyor. TechCrunch+’a “Döngü güçleniyor” dedi. “Görevdeki şirketlerin ve teknoloji oyuncularının girişimlere nasıl girdiğini, rekabet ettiğini veya onlarla nasıl ortak olduğunu merak ediyorum. Özellikle, önümüzdeki birkaç ay içinde bazı ilginç pazara açılma ortaklıkları göreceğimizi düşünüyorum.”

Peki ya daha geniş VC ekosistemi? VC’ler genel olarak makine öğreniminin geleceği konusunda iyimser mi?

Daha iyi bir fikir edinmek için TechCrunch+, Chen ve Jaffe dahil yatırımcılara ML yatırımının bugünkü durumu hakkında bir anket yaptı. Makine öğrenimi finansman ortamının sağlığına ve birkaç yıl önce oldukça güçlü olan makine öğrenimi etrafındaki aldatmacanın azalmaya başlayıp başlamadığına değindik. Ayrıca yatırımcılara makine öğrenimi teknolojisinin benimsenmesinin önünde hangi zorlukların olduğunu ve pazar büyümesi açısından önümüzdeki birkaç ayın nasıl görünebileceğini sorduk.

Şunlarla konuştuk:

(Editörün notu: Aşağıdaki yanıtlar, uzunluk ve netlik açısından düzenlenmiştir.)

Lonne Jaffe, Genel Müdür, Insight Partners

Makine öğrenimi girişim bağış toplama pazarı bugün ne kadar güçlü ve 2023’te şimdiye kadar nasıl gelişti?

ChatGPT’nin beş ay önce piyasaya sürülmesi, yenilenen bir bağış toplama dinamiğiyle birlikte makine öğrenimi çevresinde başlangıç ​​inovasyonunun ateşini ateşledi. Tahmin sistemlerinden – sınıflandırma veya öneri sistemleri gibi – yaratma sistemlerine geçtik. Finansman üretken makine öğrenimi sistemlerine akarken, tahmin veya sınıflandırma sistemleri gibi daha “geleneksel” ayrımcı makine öğrenimi sistemlerinde de çok ilerleme kaydedildi.

Son zamanlarda sağlık hizmetlerinde uygulamalı bilgisayarla görü makine öğrenimi sistemlerinde özellikle aktif olduk ve bunlardan bazıları yakında belirli alanlarda insan doktor performansıyla eşleşebilir ve hatta bu performansı aşabilir. Örneğin, diş hekimliği girişimi Overjet, diş hekimlerinin bir dişin dolguya mı yoksa kaplamaya mı ihtiyacı olduğuna karar vermesine yardımcı olmak için diş röntgenlerini analiz etmek için yapay zekayı kullanır ve hasta sonuçlarını iyileştirir.