De hecho, BenchSci descubrió que si los científicos aprovechaban el aprendizaje automático que leía, clasificaba y luego presentaba los conocimientos de la investigación científica, podían reducir a la mitad el número de experimentos que normalmente se requieren para hacer avanzar un fármaco a los ensayos clínicos. Más específicamente, podrían usar la tecnología para encontrar los reactivos biológicos adecuados, sustancias esenciales para influir y medir la expresión de proteínas. Identificarlos revisando la literatura publicada en lugar de redescubrirlos desde cero ayuda a reducir significativamente el tiempo que lleva producir nuevos candidatos a fármacos. Eso se suma a ahorros potenciales de más de $ 17 mil millones al año, lo que, en una industria donde los retornos de I + D se han reducido como una navaja, podrían transformar el mercado. Además, se podrían salvar muchas vidas si se introdujeran nuevos medicamentos en el mercado con mayor rapidez.
Lo que es notable aquí es que BenchSci, en su dominio especializado, está haciendo algo similar a lo que ha estado haciendo Google por toda Internet: usar el aprendizaje automático para liderar en la búsqueda. Así como Google puede ayudarlo a descubrir cómo reparar su lavavajillas y ahorrarle un largo viaje a la biblioteca o un costoso servicio de reparación, BenchSci ayuda a los científicos a identificar un reactivo adecuado sin incurrir en problemas o gastos de investigación y experimentación excesivas. Anteriormente, los científicos a menudo usaban Google o PubMed para buscar la literatura (un proceso que tomaba días), luego leían la literatura (nuevamente, pasaban días) y luego ordenaban y probaban de tres a seis reactivos antes de elegir uno (durante un período de semanas). Ahora buscan BenchSci en minutos y luego solicitan y prueban de uno a tres reactivos antes de elegir uno (realizando menos pruebas en menos semanas).
Muchas empresas ya están trabajando con IA y conocen los pasos prácticos para integrarla en sus operaciones y aprovechar su poder. Pero a medida que crece esa competencia, las empresas deberán considerar un tema más amplio: ¿Cómo aprovechar el aprendizaje automático para crear un foso defendible alrededor de la empresa, para crear algo que los competidores no puedan imitar fácilmente? En el caso de BenchSci, por ejemplo, ¿Su éxito inicial atraerá la competencia de Google? Y, de ser así, ¿Cómo conserva BenchSci su liderazgo?
LAS EMPRESAS HACEN PREDICCIONES CON IA - Las empresas utilizan el aprendizaje automático para reconocer patrones y luego hacer predicciones sobre lo que atraerá a los clientes, mejorará las...
CONSTRUYE UNA VENTAJA COMPETITIVA CON PREDICCIÓN PARA TU EMPRESA - En muchos sentidos, construir un negocio sostenible en aprendizaje automático es muy parecido a crear un negocio sostenible en cualquier industria.
La conclusión es que en la IA, un pionero puede construir una ventaja competitiva basada en la escala si los ciclos de retroalimentación son rápidos y la calidad del rendimiento es clara. Entonces, ¿qué significa esto para los que se mudan tarde? Enterradas en las tres preguntas hay pistas sobre dos formas en las que un participante tardío puede hacerse con su propio espacio en el mercado. Los aspirantes a competidores no necesitan elegir entre estos enfoques; pueden probar ambos.
Identificar y asegurar fuentes de datos alternativas. En algunos mercados de herramientas de predicción, puede haber reservas de datos de capacitación potenciales que los titulares aún no han capturado. Volviendo al ejemplo de la radiología, decenas de miles de médicos están leyendo miles de escaneos al año, lo que significa que cientos de millones (o incluso miles de millones) de nuevos puntos de datos están disponibles.
Los primeros participantes dispondrán de datos de formación de unos cientos de radiólogos. Por supuesto, una vez que su software se esté ejecutando en el campo, la cantidad de escaneos y la cantidad de retroalimentación en su base de datos aumentará sustancialmente, pero los miles de millones de escaneos previamente analizados y verificados representan una oportunidad para que los rezagados se pongan al día, asumiendo que pueden hacerlo. agrupe los escaneos y analícelos en conjunto. Si ese es el caso, es posible que puedan desarrollar una IA que haga predicciones lo suficientemente buenas para salir al mercado, después de lo cual ellos también pueden beneficiarse de la retroalimentación.
Los que lleguen tarde también podrían considerar entrenar a una IA utilizando datos de patología o autopsia en lugar de diagnósticos humanos. Esa estrategia les permitiría alcanzar el umbral de calidad antes (porque las biopsias y autopsias son más definitivas que las exploraciones corporales), aunque el ciclo de retroalimentación posterior sería más lento.
Alternativamente, en lugar de intentar encontrar fuentes sin explotar de datos de formación, los que lleguen tarde podrían buscar nuevas fuentes de datos de retroalimentación que permitan un aprendizaje más rápido que el que utilizan los participantes. (BenchSci es un ejemplo de una empresa que ha tenido éxito en hacer esto). Al ser el primero en contar con un suministro novedoso de datos de retroalimentación más rápidos, el recién llegado puede aprender de las acciones y elecciones de sus usuarios para mejorar su producto. Pero en los mercados donde los ciclos de retroalimentación ya son bastante rápidos y donde los operadores establecidos operan a gran escala, las oportunidades para implementar este enfoque serán relativamente limitadas. Y una retroalimentación significativamente más rápida probablemente desencadenaría una interrupción de las prácticas actuales, lo que significa que los nuevos participantes no competirían realmente con las empresas establecidas, sino que las desplazarían.
Diferenciar la predicción. Otra táctica que puede ayudar a los participantes tardíos a volverse competitivos es redefinir qué hace que una predicción sea "mejor", aunque solo sea para algunos clientes. En radiología, por ejemplo, tal estrategia podría ser posible si existe una demanda en el mercado de diferentes tipos de predicciones. Los primeros participantes probablemente entrenaron sus algoritmos con datos de un sistema hospitalario, un tipo de hardware o un país. Al usar datos de entrenamiento (y luego datos de retroalimentación) de otro sistema u otro país, el recién llegado podría personalizar su IA para ese segmento de usuarios si es lo suficientemente diferente. Si, digamos, los estadounidenses urbanos y las personas en las zonas rurales de China tienden a experimentar diferentes condiciones de salud, entonces una máquina de predicción construida para diagnosticar uno de esos grupos podría no ser tan precisa para diagnosticar a los pacientes del otro grupo.
La creación de predicciones que se basen en datos provenientes de un tipo particular de hardware también podría brindar una oportunidad de mercado, si ese modelo de negocio genera costos más bajos o aumenta la accesibilidad para los clientes. Muchas de las IA actuales para radiología se basan en datos de las máquinas de rayos X, escáneres y dispositivos de ultrasonido más utilizados de GE, Siemens y otros fabricantes establecidos. Sin embargo, si los algoritmos se aplican a datos de otras máquinas, las predicciones resultantes pueden ser menos precisas. Por lo tanto, un participante tardío podría encontrar un nicho ofreciendo un producto adaptado a ese otro equipo, que podría ser atractivo para las instalaciones médicas si es más barato de comprar u operar o si está especializado para satisfacer las necesidades de clientes particulares.
0 comments: