Trading Desks to Clinical Trials: Parallels in Applied Vertical AI — Ayush Bhardwaj, Allos AI
Ayush Bhardwaj arbetar med AI-verktyg i två mycket olika branscher — finansiell handel och läkemedelsutveckling — och upptäckte att problemen är nästan identiska.
Det stora problemet är att kunna bedöma om det AI-systemet bygger faktiskt är bra: en erfaren kodare ser på en minut om genererad kod är svag, men ingen på hans team kunde döma kvaliteten på en handelsstrategi eller ett läkemedelskandidatförslag. Han försökte först lösa det genom att träna en modell att bedöma resultaten, men det fungerade inte eftersom viktig data hålls hemlig (tradingfonder vill inte avslöja vinnande strategier, och cirka 30 procent av läkemedelsföretagen publicerar aldrig sina försökresultat). Lösningen blev att anställa en senior expert från respektive område som kan bedöma resultaten, välja bästa datakällor och förfina hur man ber AI-systemet om hjälp. Expertisen och datan är det enda som skapar ett verkligt konkurrensförsprång — själva AI-modellen och infrastrukturen är i princip utbytbar.
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
SOTA Generative Media Panel — Dumitru Erhan, Shane Gu & Nicole Brichtova, Google DeepMind
AI Engineer 30 aug.
Tell the Robot What You Want — Sandhya Subramani, AWS
AI Engineer 29 aug.
The Signal Layer: What to Build When Anything Can Be Built — Lena Hall, Akamai
AI Engineer 29 aug.
Tribal Dungeons of Global Shipping: AI Agents at Global Scale — Dmitry Buykin, Maersk
AI Engineer 29 aug.