Inicio Actualidad ¿Por qué las Startups de IA no florecen? Es un tema de...

¿Por qué las Startups de IA no florecen? Es un tema de datos

Los datos dan a las Starups que se basan en la inteligencia artificial, un bunker defensivo, cuanto más datos recopilen los nuevos proyectos para entrenar el código de su inteligencia artificial, mucho mejor será el rendimiento del modelo, lo que dificulta que un nuevo participante y competidor se ponga al día con la data que las que “llegaron primero” al mercado ya habrían recolectado.

Sin embargo, esos datos no vienen de forma gratuita, y muchas nuevas empresas de inteligencia artificial están observando como actualmente sus márgenes de ganancia se ven erosionados por este costo adicional que cada vez va en aumento de almacenar toda esa información o data.  

Estos nuevos proyectos podrían esperar gastar menos en datos a medida que sus modelos de inteligencia artificial mejoren con el tiempo, pero no esta claro como predecir cuando y como ocurrirá eso, y mucho menos en que medida, lo que sin duda dificulta modelar el crecimiento a futuro de este mercado de independientes invirtiendo en la tecnología IA.

A diferencia de las empresas especializadas en software, donde el desarrollo de productos esta incluido dentro de los costos de investigación y desarrollo de las nuevas tecnologías, las Starups actuales de IA deben tener en cuenta los costos de tenencia de datos como parte de los bienes de pasivos normales, lo que hace que sus precios hacia los clientes vayan cada vez en aumentos.

Publicidad

Pensar en los datos como este tipo de costos que aumentan los precios, en lugar de estos costos hundidos (que no se suman al precio de venta), ayudara a entender el por qué las Startups no son tan lucrativas, y que estas empresas mismas entiendan también esa gran diferencia las hará identificar nuevas oportunidades, aumentar la escalabilidad y reducir los costos para aumentar sus márgenes de ganancia.

La siguiente imagen de “flujo de la cadena de valor”, nos muestra como la mayoría de los nuevos proyectos en inteligencia artificial adquieren y usan sus datos.

Primero, se registran fragmentos a la “verdad fundamental” como datos sin procesar, y por lo tanto se necesita almacenar estos datos en un lugar, puede ser físico (servidores) o virtual (en la nube), y luego que estén seguros se establecen los procesos para mantenerlos y poder a acceder a ellos con la menor fricción posible.

Antes de usar toda esta masa de información, debe caracterizar toda la data para que la inteligencia artificial sepa que hacer con cada byte de valiosa información. Una vez que el modelo haya entrenado en la toma de datos, devuelve a sus programadores recomendaciones que luego puede usar para realizar otros tipos de acciones que generen algún tipo de resultado final para sus “dueños”.

Todo este proceso se puede dividir en 3 pasos distintos, 1) adquisición de datos, 2) almacenarlos, 3) caracterizarlos para introducirlos al modelo IA.

Costo de adquisición de datos:


En todas las cadenas de valor de la data, algún tipo de individuo primeramente, ya sea un dispositivo físico IoT o un ser humano, necesita recopilar toda la data sin procesar mediante la captura de “hechos en la vida real” ( el modelo no puede alimentarse de proyecciones).

Publicidad

En este caso los costos de adquisición de la data provienen de su creación, distribución y los mismos costo de mantenimiento del sensor. Si este sensor es una pieza de hardware, habrá costos de materiales y depreciación, en cambio si el sensor es humano, los costos provendrán del reclutamiento, y de proporcionarles las herramientas que necesitan para realizar y registrar las observaciones de manera correcta. Dependiendo de que tan amplia sea la cobertura que quiera cubrir los nuevos proyectos, los costos Irán aumentado en la misma medida.

Coste de Almacenamiento y gestión: 


En el frente de acceso y almacenamiento de datos, las Startups enfrentan otro problema de costo. Además de los datos que ha recopilado, es posible que necesite que sus clientes proporcionen datos contextuales adicionales para enriquecer su modelo. Muchos sectores solo han comenzado a digitalizar recientemente, por lo que incluso si un cliente potencial tiene los datos que necesita para enriquecer su modelo, no asuma que los datos serán fácilmente accesibles. Para ser usados por estas nuevas compañías, es posible que estas tengan que gastar una mano de obra significativa en la preparación de datos de bajo margen.

Además, si los datos se distribuyen en diferentes sistemas y silos, es posible que deba dedicar una cantidad significativa de tiempo a desarrollar cada integración antes de que el modelo pueda ser completamente funcional. 

En muchas ocasiones las Startups de inteligencia artificial no cuentan con proveedores de servicios de integración de data, por ende muchas compañías siguen atrapadas en la creación de la integración personalizada, costosa y lenta, antes de que estas puedan pensar siquiera en aplicar la inteligencia artificial para obtener resultados.

La forma en que se estructuran los datos también puede variar de un cliente a otro, lo que obliga a los ingenieros de AI a pasar más horas normalizando los datos o convirtiéndolos en un esquema estandarizado para que se pueda aplicar el modelo de AI. La creación de una biblioteca de integraciones comunes reducirá los costos a medida que los reutilice con nuevos clientes.

El costo de la capacitación:  


La mayoría de los enfoques para la construcción de modelos de inteligencia artificial requieren que etiquete y anote los datos, lo que representa uno de los costos más grandes y variables para las nuevas empresas de IA. Si los ejemplos son sencillos o se entienden lo suficiente como para que cualquier persona sin entrenamiento pueda realizar la anotación, por ejemplo, dibujando un cuadro alrededor de todas las manzanas de una imagen, puede usar un servicio de mano de obra subcontratado.

Publicidad

Sin embargo, la anotación requiere un conocimiento y una experiencia más especializados, como la determinación de la calidad y la madurez de una manzana basándose solo en indicaciones visuales, o si un parche de óxido en una plataforma petrolera es peligroso. Para esta mano de obra más especializada, es posible que tengan que crear un equipo interno de anotaciones de expertos y pagarles salarios más altos. Dependiendo de cómo haga la anotación, es posible que también tenga que crear sus propias herramientas de flujo de trabajo de anotación.

En algunas aplicaciones de inteligencia artificial, el usuario final es el anotador más efectivo, y puede descargue los costos de anotación diseñando el producto para que los usuarios etiqueten los datos a medida que interactúan con su producto.

La gran cantidad de clientes y datos finalmente reducirá la economía de la unidad y construirá esa defensa crucial de composición de costos, pero muchas empresas nuevas no saben exactamente qué tan lejos puede llegar ese punto y qué deben hacer para llegar más rápido. Las mejores Startups de IA entenderán qué tan lejos pueden optimizar en esa ruta y usarán estas herramientas deliberadamente para hacer las inversiones correctas y escalar rápidamente, al menos como la tecnología actual lo exige.

 

Dejar respuesta

Please enter your comment!
Please enter your name here

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

- Publicidad -

Most Popular

¿Cómo comprar Ethereum? Todo lo que necesita saber para tomar la mejor decisión

Las criptomonedas son cada día más conocidas, buscadas y utilizadas. Cuanto más se oye hablar de ellas más curiosidad despiertan y aumenta...

¿Qué es y cómo comprar Bancor (BNT)?

Bancor es una red blockchain que funciona como una plataforma de conversión de criptomonedas. A diferencia de exchanges populares, Bancor permite que...

¿Qué es y cómo comprar Waves? Toda la información que necesita

¿Qué es Waves? Waves es una plataforma blockchain open source que se describe como una "blockchain para la...

¿Sabes qué es BNB? Conoce el token de Binance

Sin duda alguna, uno de los intercambios de criptomonedas más populares en el planeta es Binance, y su token, BNB, no se queda atrás....

¿Qué es Stellar Lumens (XLM)?

Stellar aparece en 2014 por un desacuerdo entre los fundadores de Ripple. Jed McCaleb tenía una visión diferente así que puso en...
- Publicidad -