Cognilytica追踪了近3000家公司，这些公司提供特定于人工智能或人工智能增强产品在市场上销售。与大多数分析公司一样，我们称这些公司为“供应商”，因为它们提供的是销售产品，而企业是实现产品的“终端用户”。然而，正如你可以想象的那样，这些供应商有很大的多样性。一些供应商专注于提供低级的“启用”基础设施，以支持任何范围的人工智能、机器学习或其他计算或数据密集型活动。另一些则提供一个单一行业的应用程序，将AI应用于特定的业务或行业问题。当然，在中间有一个范围。
终端用户面临的主要挑战是，他们需要在他们试图解决的业务问题的背景下评估供应商。这些供应商完全不同，在许多情况下，将他们相互比较是一件令人沮丧的事情。一些流传最广的供应商名单或“分类”糟糕得可笑。他们把无法解决相同问题或几乎没有共同点的供应商混为一谈。这些供应商图表是许多公司的标志的大杂烩，令人困惑地排列在一个图像或幻灯片上，就像一个巨大的沙拉。什么是有意义的。没有办法评估哪些供应商与其他供应商真正具有可比性，以及不同的解决方案领域之间如何相互关联。客户感到困惑。供应商们感到困惑。其他分析公司和咨询公司也没有提供帮助。他们将旧的研究推向新的领域，重拾他们的大数据——或自动化——或以客户为中心——并将其重新贴上人工智能的标签，或者只是简单地将人工智能应用于特定领域的单一视角。难怪大家都很困惑，客户对人工智能的理解也很迟钝。
我们已经受够了其他的分类，决定在过去的几个月里做我们自己全新的、原创的研究。Cognilytica是唯一一家全面关注人工智能领域的公司。我们仔细观察了市场上的3000多家供应商(如果你相信Crunchbase上的AI公司列表，就会发现超过6000家)。我们将它们划分为狭窄的部分，将最相似的供应商放在一个类别中。然后，我们将这些类别归为具有相似特征的类别。然后，我们将这些数据分类成层，以展示某些技术如何支持堆栈中更高层次的解决方案，或者展示高级解决方案如何消除对低级技术的需求。
这篇文章以及我们所有的研究都将突出这一分类系统，我们鼓励你分享我们的分类图表，这样它们便能够将市场上所有其他糟糕的例子推向市场。在本文中，我们将分享分类系统的概述，以及分类矩阵最下面三层的全部细节。最上面的一层太大了，它需要一个自己的帖子!
人工智能供应商生态系统的四大层次
Cognilytica将供应商划分为四个层次的“堆栈”，从底层最普遍适用的技术发展到顶层最特定于行业的应用程序。一般来说，较低级别的技术和供应商可能会被较高级别的供应商利用，或者在堆栈中较高级别销售解决方案的供应商可能会使对较低级别技术的需求变得无关紧要或不必要。
以下是我们如何看待这四个层次的组织:
人工智能和机器学习基础设施
请看前文：【人工智能】Cognilytica对AI供应商生态系统的分类:第一部分
人工智能实现技术
人工智能供应商领域的下一个大层次是人工智能实现技术。从基础设施到这些工具、技术、供应商和解决方案，都是专门为AI、ML和认知技术应用而设计的。也就是说，如果不适当地把这些解决方案塞进非人工智能应用程序中，它们就不能真正用于非人工智能应用程序。因此，这些真正的技术使特定的AI和ML功能成为可能，其他人可以在此基础上构建自己的AI和ML应用程序。
下图是这个分类层的概述:
在人工智能实现技术层面，Cognilytica进一步识别并分类了以下主要类别和子类别:
先进的机器人
各种形式的机器人已经存在了近一个世纪，而工业机器人则在几十年前就已经过时了。显然，机器人本身与人工智能或认知技术没有多大关系，除非它们显示出感知、预测或规划的某些方面——自动驾驶汽车行业人士喜欢谈论的三点。这类供应商过去出现的只是简单的机器人，它们只是向智能机器重复预先编程的任务，智能机器可以学习并适应它们的环境和它们正在解决的问题。
在这个主要类别中有三个子类别:
- 协作机器人(cobot)——智能的、感知环境的机器人，可以在接近人类和其他机器人或设备的地方操作，并灵活地适应解决新问题，而不需要明确的编程。
- 自适应机器人硬件——使机器人能够响应并从实例中学习环境的硬件。
- 智能机器人控制和操作系统(OS) -控制和设计系统，促进开发或支持创建先进的机器人应用程序。
计算机视觉
人工智能和机器学习在最近的复兴中取得的最大进展之一是在计算机视觉领域。基于ml的系统在图像和物体检测、面部识别、手势分析、图像搜索和现实世界数字化等各个方面都非常出色。毫无疑问，这类人工智能支持技术有很多供应商。
在这个主要类别中有五个子类别:
- 计算机视觉套件-提供全套计算机视觉功能的供应商，包括识别、搜索和分析。
- 图像和物体识别-专门从事人工智能和ml驱动的图像和物体识别功能的供应商。
- 人脸和手势识别-使用人工智能和ML来识别人脸和手势的技术。
- 图像分析和搜索-解决方案,可以使用人工智能搜索图像或视频和ML技术并能够定位、提取和识别关键信息图像,这些图像进行分类,创建标题或描述,或者使人类能够消耗大量的图片和视频内容。
- 真实世界数字化/ 3D -旨在感知真实世界的解决方案，创建真实世界的3D或其他表现形式，以促进互动、理解或处理这些真实世界的对象。
自主车辆实施
自动驾驶汽车(AV)推动了人工智能和人工智能技术的发展。也许我们离5级自动驾驶汽车在道路上漫步的未来不远了。或者，这一愿景可能不会很快实现。无论我们在哪里，都有许多供应商出售技术，使其他人能够创建AV或将AV技术用于广泛的用途。请注意，这类供应商实际上并不是自己构建AVs(这是AI层面的横向应用)，而是提供支持技术，允许其他人开发这些解决方案。
自动驾驶汽车支持供应商有两个子类:
- 自动驾驶汽车实现硬件——基于硬件的技术解决方案，利用ML和认知技术实现自动驾驶汽车应用。这包括激光雷达、视觉环境感知和利用ML技术实现的网格网络解决方案。
- 自动驾驶汽车系统/平台-自动驾驶汽车和智能汽车应用范围内的软件和软硬件组合系统。
内容智能
机器学习已被应用于理解存在于整个组织的大量文本和基于文档的内容。这一类是供应商解决方案，它们提供对非结构化信息的理解，数字化并应用ML以获得对非数字化内容(如手写或打印信息)的机器理解，并分析文档以理解其上下文和含义。
这个主要类别有三个子类别:
- 内容摘要- ML技术解决方案，可以吸收数字形式的内容，并为广泛的用途提供人类可读的信息的简短摘要。
- 数据捕获和文档分析-基于机器学习的技术解决方案，可以捕获非数字格式的信息，并生成对文档上下文和意图的理解。
- 非结构化数据智能——基于ml的解决方案，可以处理组织中广泛的非结构化数据，并收集有意义的理解和数据之间的关系。
机器学习的平台
与数据科学家和数据工程师一样，开发人员和非开发人员业务用户也参与到AI生命周期中。开发人员利用各种机器学习平台将ML算法应用于数据，并将AI操作化，以实现各种AI用例。这个类别的供应商从面向开发人员的工具到非技术业务线的通用平台，它们可以在低代码或无代码的环境中促进不同的用例。
这一主要类别包括五个子类别:
- 机器学习开发平台——面向开发者的工具，旨在提供一个平台来开发机器学习应用程序，并在广泛的用例和不同的部署需求中操作AI解决方案。
- 云ML平台——基于云的平台，提供ML能力来开发人工智能应用，以及广泛的附加工具集合，以协助数据工程、数据科学、部署、培训和其他方面的ML和人工智能应用开发和运营。CloudML平台通常面向组织中的开发人员和技术角色。
- 机器学习即服务(MLaaS)——与其他分析师研究这一领域的方式相反，我们认为MLaaS是一个独立的供应商类别，不同于云学习平台。云ML平台主要面向开发人员和技术用户，而MLaaS平台面向业务分析师、业务线和非技术角色。MLaaS解决方案旨在抽象大量潜在的ML复杂性，提供模板、预构建的应用程序、低或无代码环境，以及应用一系列技术、数据和操作化模型的套件，以简化目标市场的AI应用程序开发。
- AutoML -供应商的解决方案，专门旨在自动化和简化ML应用程序开发的一些较困难的方面，包括算法选择、超参数调优、培训和验证考虑，以及ML的其他方面。
- Edge /设备ML - ML平台专门针对边缘设备、具有有限处理和存储能力的设备或非云访问能力的AI和ML能力的开发、管理和操作。
自然语言理解
机器学习非常适合提供对自然、人类对话的一系列理解。这类供应商处理自然语言理解、处理和生成方面的挑战，并帮助克服常识理解和机器推理方面的一些更困难的挑战。
在这个主要类别中有四个子类别:
- 常识理解——供应商解决方案不仅有助于促进文本到语音、语音到文本、词汇理解或会话流程。相反，这些有助于提供对自然对话的意义和语言所传达的各种概念之间的关系的真正理解。常识理解包含了常识、机器推理、本体论和知识图等概念，这些概念都与从信息中获得更有意义的概念有关，并使系统能够从信息中获得超出字面意义的更多含义。
- 机器翻译——使用ML和其他人工智能技术来促进不同人类语言之间的翻译的供应商解决方案。
- 自然语言生成——为智能系统提供一种方法，以自然语言生成供人类使用的内容的解决方案。
- 自然语言处理——供应商提供的产品使用ML和认知技术来处理和获得口语、打字或其他交流的人类自然语言的词汇理解，并将其转换为ML系统可以在会话或其他上下文中处理的表示。
本文：http://jiagoushi.pro/node/1404
讨论：请加入知识星球【CXO智库】或者小号【it_strategy】或者QQ群【1033354921】
- 登录 发表评论
- 15 次浏览