前段時間為我寫了一篇文章聊到，特朗普上臺后，產(chǎn)品經(jīng)理可以做的賺錢機會

川普獲勝！產(chǎn)品經(jīng)理可以做的下面幾個產(chǎn)品賺錢！

有朋友問到這和特朗普上臺有什么關(guān)系？

1.看全球首富的排行榜，了解行業(yè)趨勢

全球的資產(chǎn)在哪里，就代表著當(dāng)下那個行業(yè)是最火的。

所以首付排行榜是世界各個行業(yè)發(fā)展趨勢的結(jié)果映射，如果你看中國首富排行榜，曾經(jīng)是房地產(chǎn)行業(yè)的董事長，現(xiàn)在成了互聯(lián)網(wǎng)企業(yè)的字節(jié)跳動的張一鳴。

在看下經(jīng)榜單，可以看到是互聯(lián)網(wǎng)科技公司是榜單前面，而房地產(chǎn)如今已經(jīng)不在前十榜單里了。理由很簡單，房地產(chǎn)不行了。

而這次特朗普上臺，馬斯克系列相關(guān)公司的股價飆漲，馬斯克除了保持成為全球首富之外，遠遠甩開貝索斯第二。

而馬斯克所在的AI、機器人、腦機接口等這些科技，也將因為政策的寬松與支持會迎來更大的發(fā)展，因為有了資本就可以有更多投入。

2.AI離不開數(shù)據(jù)標(biāo)注

從圖像識別算法數(shù)據(jù)標(biāo)注行業(yè)

在最近幾年開始，新能源行業(yè)背后的自動駕駛蓬勃發(fā)展，數(shù)據(jù)標(biāo)注行業(yè)也火了。數(shù)據(jù)標(biāo)注汽車駕駛過程中的人、物、馬路等各個對象，通過訓(xùn)練模型，讓計算機能夠知道道路上有什么，路應(yīng)該怎么走，最終形成自動駕駛圖。

如上就是云點圖標(biāo)注，通過提前設(shè)置好標(biāo)簽，對云點圖里面的汽車、人等物體進行標(biāo)注，讓計算機學(xué)習(xí)這類標(biāo)簽?zāi)Ｐ汀?/p>

舉一反三，這種數(shù)據(jù)標(biāo)注的方式本質(zhì)上就是教給計算機看外面的世界，將其擴展到其他行業(yè)，比如醫(yī)療行業(yè)的影像標(biāo)注，就可以擴展非常多了。

3.醫(yī)學(xué)影像的數(shù)據(jù)標(biāo)注與圖像識別算法

醫(yī)學(xué)數(shù)據(jù)從核磁檢查數(shù)據(jù)，再到內(nèi)窺鏡顯示設(shè)備，如今僅是信號采集與畫面展示，方便醫(yī)生查看，如何診斷與治療，還是基于存在腦子里的經(jīng)驗所完成的。

基于醫(yī)生經(jīng)驗的診斷與治療

傳統(tǒng)醫(yī)生通過是通過觀察、看視頻以及檢查報告，通過一個又一個的患者治療、書籍學(xué)習(xí)、文獻來獲得經(jīng)驗，最終需要醫(yī)生自己的大腦將這些知識體記住，整理背下來，從而提升自己的醫(yī)療技術(shù)。

所以你會發(fā)現(xiàn)，醫(yī)學(xué)生就是各種背，因為太多的藥品、視頻影像素材等，你需要記下來，才能說怎么用。

而對于計算機，這就是一個數(shù)據(jù)讀寫，不費吹灰之力。

4.近幾年的AI大模型，催生了數(shù)據(jù)標(biāo)注

數(shù)據(jù)標(biāo)注的行業(yè)之所以在這幾年能夠發(fā)展起來，也是因為神經(jīng)網(wǎng)絡(luò)相關(guān)算法提升以及硬件性能提升，讓開發(fā)者與科學(xué)家能夠有辦法制造一些工具平臺，實現(xiàn)各式各樣的圖像標(biāo)注。

比如早些幾年，我們只能對圖像通過一些算法來實現(xiàn)處理，但是隨著AI之后，我們可以用數(shù)據(jù)標(biāo)注與大模型來完成小模型的建立，從而構(gòu)建更快、更準(zhǔn)的圖像識別，不管是穩(wěn)定性擴展性都會比傳統(tǒng)停留在死板規(guī)則上的圖像處理算法更好。

下面，我整理了一些圖像算法與AI模型來識別圖像的區(qū)別

優(yōu)勢：

1.無需大量標(biāo)注數(shù)據(jù)：傳統(tǒng)的圖像算法不依賴于大量的標(biāo)注數(shù)據(jù)

2.快速實現(xiàn)：對于一些簡單的圖像處理任務(wù)，如濾鏡應(yīng)用、基本的圖像增強等，傳統(tǒng)算法可以快速實現(xiàn)，無需復(fù)雜的模型訓(xùn)練過程。

3.較低的計算成本：在沒有大量數(shù)據(jù)和深度學(xué)習(xí)框架支持的情況下，傳統(tǒng)圖像算法通常需要的計算資源較少。

劣勢：

1.準(zhǔn)確性和精細度有限：相比于AI模型，傳統(tǒng)圖像算法在識別和處理復(fù)雜圖像內(nèi)容時可能不夠準(zhǔn)確和精細。AI模型通過學(xué)習(xí)大量標(biāo)注數(shù)據(jù)，能夠識別圖像中的細微差別和復(fù)雜特征

2.缺乏學(xué)習(xí)能力：傳統(tǒng)圖像算法通常是基于預(yù)設(shè)的規(guī)則，缺乏從數(shù)據(jù)中自動學(xué)習(xí)和提取特征的能力，這限制了它們在處理新場景和復(fù)雜問題時的表。

3.泛化能力差：傳統(tǒng)圖像算法可能在特定類型的圖像上表現(xiàn)良好，但在新的或不同的圖像數(shù)據(jù)上可能無法達到同樣的性能，因為它們不具備泛化學(xué)習(xí)的能。

4.缺乏個性化服務(wù)：AI模型能夠提供更加個性化的服務(wù)，例如根據(jù)用戶的行為和偏好進行圖像處理，而傳統(tǒng)算法通常無法實現(xiàn)這種級別的定制。

5.隱私和安全性問題：雖然AI模型需要處理敏感數(shù)據(jù)，但傳統(tǒng)算法在處理圖像時可能不需要考慮數(shù)據(jù)隱私和安全性問題，這在某種程度上可以減少數(shù)據(jù)泄露的風(fēng)。

6.過擬合風(fēng)險低：AI模型存在過擬合的風(fēng)險，尤其是在數(shù)據(jù)量有限的情況下，而傳統(tǒng)圖像算法由于不依賴于數(shù)據(jù)驅(qū)動的學(xué)習(xí)，因此過擬合的風(fēng)險較。

7.依賴于專業(yè)知識：傳統(tǒng)圖像算法的開發(fā)和應(yīng)用往往依賴于領(lǐng)域?qū)＜业闹R和經(jīng)驗，而AI模型可以通過數(shù)據(jù)自動學(xué)習(xí)，減少對專家知識的依賴。

有了圖像識別算法的發(fā)展，我們才能說逐步建立數(shù)據(jù)標(biāo)注體系，幫助計算機訓(xùn)練模型了解這個世界。

而一旦一個模型生成后，自然辨識度就可以提高，并且適用于后續(xù)的圖像，隨著數(shù)據(jù)越來越多，準(zhǔn)確率會逐步提升。

并且計算機是不知道疲憊的，可以24小時不間斷的做影像查看。

有了以上的基礎(chǔ)，我們才可以說，在影像學(xué)上，計算機可以逐步為醫(yī)生減輕擔(dān)，到提升患者治病效率， 從未來的發(fā)展曲線來看勢必是淘汰醫(yī)生。

特朗普上臺，和產(chǎn)品經(jīng)理做產(chǎn)品有什么關(guān)系：AI與機器人更加是風(fēng)口

最后再來看特朗普上臺后，馬斯克的相關(guān)科技公司勢必會發(fā)展的更快，有更多資本加入，于是就會催生更多競品出現(xiàn)。

 

那么對于AI、機器人、腦機接口相關(guān)的供應(yīng)鏈也會加大發(fā)展，所以產(chǎn)品經(jīng)理就可以關(guān)注在這幾個賽道上做產(chǎn)品了。

產(chǎn)品經(jīng)理做數(shù)據(jù)標(biāo)注的第三方公司

隨著特朗普上臺，會催生更多科技公司圖像識別的需求場景越來越多，因為數(shù)據(jù)標(biāo)注一旦把模型建立起來了，那么接下來就是不斷地優(yōu)化與迭代模型的工作，也不需要那么多的數(shù)據(jù)標(biāo)注師了，所以就形成了公司自己聘請成本高，還不如找到第三方。

所以數(shù)據(jù)標(biāo)注軟件、到特定領(lǐng)域的數(shù)據(jù)標(biāo)注操作手冊與規(guī)范、最終形成一個標(biāo)注公司，是產(chǎn)品經(jīng)理可以做的，也就有機會做賺錢的產(chǎn)品。

看完覺得寫得好的，不防打賞一元，以支持藍海情報網(wǎng)揭秘更多好的項目。

標(biāo)簽： 標(biāo)簽 內(nèi)容 隨筆