En muchos sentidos, construir un negocio sostenible en aprendizaje automático es muy parecido a crear un negocio sostenible en cualquier industria. Tienes que entrar con un producto que se pueda vender, crear una posición inicial defendible y hacer que sea más difícil para cualquiera que venga detrás de ti. Si puede hacerlo, depende de sus respuestas a tres preguntas:
1. ¿Tiene suficientes datos de entrenamiento? Al principio, una máquina de predicción necesita generar predicciones que sean lo suficientemente buenas como para ser comercialmente viables. La definición de "suficientemente bueno" puede establecerse mediante regulación (por ejemplo, una IA para realizar diagnósticos médicos debe cumplir con los estándares del gobierno), usabilidad (un chatbot tiene que funcionar con la suficiente fluidez para que las personas que llaman respondan a la máquina en lugar de esperar para hablar con un humanos en el centro de llamadas) o la competencia (una empresa que busca ingresar al mercado de búsqueda en Internet necesita un cierto nivel de precisión predictiva para competir con Google). Una barrera de entrada, por lo tanto, es la cantidad de tiempo y esfuerzo necesarios para crear o acceder a suficientes datos de capacitación para hacer predicciones lo suficientemente buenas.
Esta barrera puede ser alta. Tomemos el caso de la radiología, donde una máquina de predicción debe ser sensiblemente mejor que los humanos altamente capacitados para poder confiar en la vida de las personas. Eso sugiere que la primera empresa en construir una IA de aplicación general para radiología (una que pueda leer cualquier imagen escaneada) tendrá poca competencia al principio porque se necesitan muchos datos para el éxito. Pero la ventaja inicial puede ser de corta duración si el mercado está creciendo rápidamente, porque en un mercado de rápido crecimiento, la recompensa de tener acceso a los datos de capacitación probablemente será lo suficientemente grande como para atraer a múltiples empresas grandes con grandes bolsillos.
Esto, por supuesto, significa que los requisitos de entrada de datos de formación están sujetos a la economía de escala, como tantas otras cosas. Los mercados de alto crecimiento atraen inversiones y, con el tiempo, esto eleva el umbral para el próximo nuevo participante (y obliga a todos los que ya están en el sector a gastar más en desarrollar o comercializar sus productos). Por lo tanto, cuantos más datos pueda entrenar sus máquinas, mayor será el obstáculo para cualquiera que venga detrás de usted, lo que nos lleva a la segunda pregunta.
2. ¿Qué tan rápido son sus ciclos de retroalimentación? Las máquinas de predicción explotan lo que tradicionalmente ha sido la ventaja humana: aprenden. Si pueden incorporar datos de retroalimentación, entonces pueden aprender de los resultados y mejorar la calidad de la próxima predicción.
El alcance de esta ventaja, sin embargo, depende del tiempo que lleve obtener la retroalimentación. Con una exploración radiológica, si se requiere una autopsia para evaluar si un algoritmo de aprendizaje automático predijo correctamente el cáncer, la retroalimentación será lenta y, aunque una empresa puede tener una ventaja temprana en la recopilación y lectura de exploraciones, su capacidad será limitada. para aprender y así mantener su liderazgo. Por el contrario, si los datos de retroalimentación se pueden generar rápidamente después de obtener la predicción, entonces un cliente potencial temprano se traducirá en una ventaja competitiva sostenida, porque la escala mínima eficiente pronto estará fuera del alcance incluso de las empresas más grandes.
Cuando Microsoft lanzó el motor de búsqueda Bing en 2009, contaba con el respaldo total de la empresa. Microsoft invirtió miles de millones de dólares en él. Sin embargo, más de una década después, la participación de mercado de Bing sigue estando muy por debajo de la de Google, tanto en volumen de búsqueda como en ingresos por publicidad de búsqueda. Una de las razones por las que a Bing le resultó difícil ponerse al día fue el ciclo de retroalimentación. En la búsqueda, el tiempo entre la predicción (que ofrece una página con varios vínculos sugeridos en respuesta a una consulta) y la retroalimentación (el usuario hace clic en uno de los vínculos) es corto, generalmente segundos. En otras palabras, el ciclo de retroalimentación es rápido y poderoso.
Cuando Bing ingresó al mercado, Google ya había estado operando un motor de búsqueda basado en inteligencia artificial durante una década o más, ayudando a millones de usuarios y realizando miles de millones de búsquedas diarias. Cada vez que un usuario realizaba una consulta, Google proporcionaba su predicción de los enlaces más relevantes, y luego el usuario seleccionaba el mejor de esos enlaces, lo que le permitía a Google actualizar su modelo de predicción. Eso permitió un aprendizaje constante a la luz de un espacio de búsqueda en constante expansión. Con tantos datos de entrenamiento basados en tantos usuarios, Google pudo identificar nuevos eventos y nuevas tendencias más rápidamente que Bing. Al final, el ciclo de retroalimentación rápida, combinado con otros factores (la inversión continua de Google en instalaciones masivas de procesamiento de datos y los costos reales o percibidos para los clientes de cambiar a otro motor) significaba que Bing siempre se quedaba atrás. Otros motores de búsqueda que intentaron competir con Google y Bing ni siquiera comenzaron.
3. ¿Qué tan buenas son tus predicciones? El éxito de cualquier producto depende en última instancia de lo que obtenga por lo que pague. Si a los consumidores se les ofrecen dos productos similares al mismo precio, generalmente elegirán el que perciban como de mayor calidad.
La calidad de la predicción, como ya hemos señalado, suele ser fácil de evaluar. En radiología, búsqueda, publicidad y muchos otros contextos, las empresas pueden diseñar IA con una métrica clara y única de calidad: precisión. Como en otras industrias, los productos de la más alta calidad se benefician de una mayor demanda. Sin embargo, los productos basados en IA son diferentes de otros porque para la mayoría de los demás productos, una mejor calidad cuesta más y los vendedores de productos inferiores sobreviven utilizando materiales más baratos o procesos de fabricación menos costosos y luego cobrando precios más bajos. Esta estrategia no es tan factible en el contexto de la IA. Debido a que la IA se basa en software, una predicción de baja calidad es tan cara de producir como una de alta calidad, lo que hace que los precios con descuento sean poco realistas. Y si la mejor predicción tiene el mismo precio que la peor, no hay razón para comprar la de menor calidad.
Para Google, este es otro factor que explica por qué su liderazgo en las búsquedas puede ser inexpugnable. Las predicciones de los competidores suelen ser bastante similares a las de Google. Ingrese la palabra "clima" en Google o Bing, y los resultados serán prácticamente los mismos: los pronósticos aparecerán primero. Pero si ingresa un término menos común, pueden surgir diferencias. Si escribe, digamos, "disrupción", la primera página de Bing normalmente mostrará definiciones de diccionario, mientras que Google proporciona definiciones y enlaces a trabajos de investigación sobre el tema de la innovación disruptiva. Aunque Bing puede funcionar tan bien como Google para algunas consultas de texto, para otras es menos preciso para predecir lo que buscan los consumidores. Y hay pocas, o ninguna, otras categorías de búsqueda en las que Bing se considere superior.
0 comments: