Ich denke, die Leute unterschätzen, wie viel teurer es ist, Bilder/Videos im Vergleich zu Text zu verarbeiten. Bei Tinder für den Empfehlungsalgorithmus nehmen die meisten an, dass es eine Art Bild-/Computer Vision gibt, aber es war 1000-mal effizienter, die Kosinusähnlichkeit mit Wischmustern zu verwenden. Das gesagt, das nächste Schlachtfeld für Modelle (und Anwendungen) sind Bilder und Videos, und ich denke, es wird 1000-mal spannender!