在AI产品中获得企业优势
来源：CPDA数据分析师网 / 时间：2021-04-01
公共云甚至开源变体的AI功能正在迅速发展，无论终供应商是什么，在未来几年中，许多预测性任务都可以通过一些“开放式” AI API轻松实现。如果预测成功地进行了计算（因为计算成功了，电力），则企业的新基本单元将成为机器智能，这种商品化将从根本上改变以AI平台为基础的行业的市场动态，具体而言，人工智能产品将不再因其许多经济困境而与众不同，现在竞争优势将不再来自于模型或算法的技术差异，而是来自专有数据源以及公司设计功能的速度。
技术差异化10倍的产品可以推动技术发展并赢得市场
但是如果两家公司基于强大的（通用）API构建聊天机器人，则技术差异可能会达到10％，而不是10倍，强大的AI API限制了技术差异，因为要使其大大超出基准性能变得非常困难。实际上，许多经过调整的GPT-2模型在执行特定任务时的性能要比未经培训的GPT-3差，规模经济（不经济）由于固定的基础设施和硬件成本，公司可以从规模中受益，但是，将AI添加到产品中会引入云基础架构和模型培训的可变成本。
如果AI是通过API使用的，则每个预测的价格将是线性的
而且如果通过个人管理的OSS模型消耗了AI，则为必要的基础设施支付的费用将保持线性，即使随着竞争对手训练自己的模型而降低API访问的成本，机器智能仍然是固定的边际成本，尽管API的定价可能会降低，但基于AI的产品利润无法从规模经济中受益，实际上扩展AI系统意味着要处理一个长尾，其中包含越来越难以处理边缘情况的数据，这些开放访问模型产生了未区分的AI产品，由于历史护城河不再提供持久的竞争优势，因此竞争产品可能更容易出现。
尽管AI API提供者和发行平台是这项不断发展的技术的逻辑受益者
但已有的老牌企业将从中受益，用克里斯滕森的话来说，“开放式”人工智能是一种持续的创新，它使现有的参与者受益。企业可以轻松地将AI集成到其产品中，以其现有的品牌，发行和数据在竞争中脱颖而出，此外对于新兴企业而言，许多阻碍人工智能发展的因素并不适用于现有企业。
任职者可以应付长尾
人工智能产品有望满足用户的长期需求，考虑一下搜索，返回常见问题的答案很简单，处理您难以置信的，的查询。实际上，人工智能产品中约40％至50％的功能都存在于这种长尾中，作为解决方案，通常建议公司“约束问题”或收集数据以解决“全球长尾”问题（每个人之间共享相同的问题），企业可以更轻松地做到这两者，用AI引导产品的功能意味着问题空间已经受限，因为必须要有没有AI才能实现的预期功能，所以该域应该已经足够狭窄，可以从更先进的技术中受益，对于企业而言，解决全球长尾问题更为容易，因为他们的产品应该已经能够生成解决问题所必需的数据，他们的专有数据可以用来增加模型的覆盖范围。
人工智能的隐性成本
尽管AI拥有明显的增值功能，但仍需要考虑其他成本，AI新业务引发了围绕AI单位经济学的一系列，由于毛利率降低，扩展挑战和防御性护城河较弱，人工智能初创公司代表了一种像“软件+服务”一样运作的新型业务，训练和部署ML模型的额外复杂性要求在典型软件开发成本之上的额外运营成本，使用大量庞大的专有数据进行管理，处理和培训非常昂贵，由于这些根本差异，人工智能业务的毛利率始终保持在50-60％的范围内，而典型的SaaS则为60-80 +％，基础架构成本增加：当今的大型ML模型计算量很大，需要将大部分运营预算用于云基础架构，尽管许多初创公司没有报告具体细节，但据估计大约有25％以上的收入用于云资源。此外，用于管理数据和元数据（以及模型）的操作复杂性迅速超过了简单SaaS或旧产品的复杂性。
劳动力成本增加由于需要“人力资源”，毛利率进一步降低
在模型训练期间，支持监督学习的数据通常需要手动清洁和标记，在生产中人类仍然扮演着联合决策者的重要角色，许多“ AI”产品不过是由机器学习（ML）产生的建议，这些建议已被提供给具有终权限的人工主持人，即使AI改进到技术上需要较少援助的地步，当前有关公平和偏见的辩论也表明，人为监督仍可能抵消这些黑匣子模型的道德影响，部署成本增加，典型的SaaS产品可以以零边际成本立即部署给客户，而AI产品则可能需要在上线过程中花费时间和资源，了解模型并使其适合客户的数据分布可能是一个耗时的过程，由于来自每个新部署的投入会发生巨大变化，因此每个客户都代表了需要考虑的新的长期案例。
为AI做好企业准备
收集此专有数据是必要的，但代价昂贵，标准化和简化您的数据收集流程，以地定位您的企业以适应这些不断变化的市场动态，具体来说，以下步骤将帮助您提高未来支持AI的产品的单位经济性，减少基础设施的复杂性， ML系统的常见问题是巨大的复杂性，正如在机器学习系统中典型的隐藏技术债务中所捕获的那样，实际模型仅占整个基础结构的一小部分，其余部分与（希望不是）管道蔓延和意大利面条代码结合在一起。