Memenangkan Kompetisi dengan Machine Learning

Dekade terakhir ini telah membawa kemajuan luar biasa dalam dimensi kecerdasan buatan yang menarik—machine learning. Teknik untuk mengambil input data dan mengubahnya menjadi prediksi telah memungkinkan raksasa teknologi seperti Amazon, Apple, Facebook, dan Google meningkatkan produk mereka secara dramatis. Itu juga telah memacu start-up untuk meluncurkan produk dan platform baru, terkadang bahkan bersaing dengan Big Tech.

Pertimbangkan BenchSci, sebuah perusahaan yang berbasis di Toronto yang berupaya untuk mempercepat proses pengembangan obat. Ini bertujuan untuk memudahkan para ilmuwan menemukan jarum di tumpukan jerami—untuk membidik informasi paling penting yang tertanam dalam database internal perusahaan farmasi dan dalam kekayaan besar penelitian ilmiah yang dipublikasikan.

Untuk memasukkan kandidat obat baru ke dalam uji klinis, para ilmuwan harus menjalankan eksperimen yang mahal dan memakan waktu. BenchSci menyadari bahwa para ilmuwan dapat melakukan lebih sedikit dari ini—dan mencapai kesuksesan yang lebih besar—​​jika mereka menerapkan wawasan yang lebih baik dari sejumlah besar eksperimen yang telah dijalankan.

Penggunaan machine learning untuk mempercepat proses R&D

Memang, BenchSci menemukan bahwa jika ilmuwan memanfaatkan machine learning yang membaca, mengklasifikasikan, dan kemudian mempresentasikan wawasan dari penelitian ilmiah, mereka dapat mengurangi separuh jumlah eksperimen yang biasanya diperlukan untuk memajukan obat ke uji klinis. Lebih khusus lagi, mereka dapat menggunakan teknologi untuk menemukan reagen biologis yang tepat—zat penting untuk mempengaruhi dan mengukur ekspresi protein.

Mengidentifikasi obat-obatan tersebut dengan menyisir literatur yang diterbitkan daripada menemukannya kembali dari awal, dapat membantu secara signifikan mengurangi waktu yang diperlukan untuk menghasilkan kandidat obat baru. Itu menambah potensi penghematan lebih dari $17 miliar per tahun, yang, dalam industri di mana pengembalian ke R&D menjadi sangat tipis, dapat mengubah pasar. Selain itu, banyak nyawa dapat diselamatkan dengan membawa obat baru ke pasar lebih cepat.

Yang luar biasa di sini adalah BenchSci, dalam bidang khususnya, melakukan sesuatu yang mirip dengan apa yang telah dilakukan Google untuk seluruh internet: menggunakan machine learning untuk memimpin dalam penelusuran. Sama seperti Google yang dapat membantu Anda mengetahui cara memperbaiki mesin pencuci piring dan menghemat perjalanan jauh ke perpustakaan atau layanan perbaikan yang mahal, BenchSci membantu ilmuwan mengidentifikasi reagen yang sesuai tanpa menimbulkan masalah atau biaya penelitian dan eksperimen yang berlebihan.

Sebelumnya, para ilmuwan sering menggunakan Google atau PubMed untuk mencari literatur (proses yang memakan waktu berhari-hari), kemudian membaca literatur (yang juga menghabiskan berhari-hari), dan kemudian memesan dan menguji tiga sampai enam reagen sebelum memilih satu (selama beberapa minggu) . Sekarang mereka mencari BenchSci dalam hitungan menit dan kemudian memesan dan menguji satu hingga tiga reagen sebelum memilih satu (melakukan lebih sedikit tes selama lebih sedikit minggu).

AI untuk membuat operasional lebih praktis

Banyak perusahaan telah bekerja dengan AI dan menyadari langkah-langkah praktis untuk mengintegrasikannya ke dalam operasi mereka dan meningkatkan kekuatannya. Namun seiring dengan berkembangnya kecakapan tersebut, perusahaan perlu mempertimbangkan masalah yang lebih luas: Bagaimana Anda memanfaatkan pembelajaran mesin untuk membuat parit yang dapat dipertahankan di sekitar bisnis—untuk menciptakan sesuatu yang tidak dapat dengan mudah ditiru oleh pesaing? Dalam kasus BenchSci, misalnya, akankah kesuksesan awalnya menarik persaingan dari Google—dan jika demikian, bagaimana BenchSci mempertahankan keunggulannya?

Di halaman berikut, dijelaskan bagaimana perusahaan yang memasuki industri dengan produk atau layanan yang mendukung AI dapat membangun keunggulan kompetitif yang berkelanjutan dan meningkatkan hambatan masuk terhadap orang yang terlambat. Peneliti mencatat bahwa bergerak lebih awal sering kali bisa menjadi nilai tambah yang besar, tetapi itu bukan keseluruhan cerita. Saat kita berdiskusi, pengguna yang terlambat dari teknologi baru masih bisa maju—atau setidaknya memulihkan beberapa landasan yang hilang—dengan menemukan ceruk pasar.

Membuat Prediksi dengan AI

Banyak bisnis menggunakan machine learning untuk mengenali pola dan kemudian membuat prediksi—tentang apa yang akan menarik bagi konsumen, meningkatkan operasi, atau membantu membuat produk menjadi lebih baik. Namun, sebelum Anda dapat membangun strategi seputar prediksi tersebut, Anda harus memahami masukan yang diperlukan untuk proses prediksi, tantangan yang terlibat dalam mendapatkan masukan tersebut, dan peran umpan balik dalam memungkinkan algoritma untuk membuat prediksi yang lebih baik dari waktu ke waktu.

Sebuah prediksi, dalam konteks machine learning, adalah output informasi yang berasal dari memasukkan beberapa data dan menjalankan algoritma. Misalnya, saat aplikasi navigasi seluler Anda menyajikan prediksi tentang rute terbaik antara dua titik, aplikasi tersebut menggunakan data masukan tentang kondisi lalu lintas, batas kecepatan, ukuran jalan, dan faktor lainnya. Algoritma kemudian digunakan untuk memprediksi jalan tercepat dan waktu yang dibutuhkan.

Tantangan utama dengan proses prediksi apa pun adalah bahwa data pelatihan—input yang Anda butuhkan untuk mulai mendapatkan hasil yang wajar—harus dibuat (dengan, katakanlah, mempekerjakan pakar untuk mengklasifikasikan berbagai hal) atau diperoleh dari sumber yang ada (misalnya, catatan kesehatan). Beberapa jenis data mudah diperoleh dari sumber publik (pikirkan cuaca dan informasi peta).

Konsumen juga dapat dengan sukarela memberikan data pribadi jika mereka merasa mendapat manfaat dari hal itu. Pengguna Fitbit dan Apple Watch, misalnya, mengizinkan perusahaan untuk mengumpulkan metrik tentang tingkat olahraga mereka, asupan kalori, dan sebagainya melalui perangkat yang dipakai pengguna untuk mengelola kesehatan dan kebugaran mereka.

Bergerak lebih awal sering kali bisa menjadi nilai tambah yang besar, tetapi itu bukan keseluruhan cerita

Namun, memperoleh data pelatihan untuk mengaktifkan prediksi bisa jadi sulit, jika membutuhkan kerja sama dari sejumlah besar individu yang tidak mendapatkan keuntungan langsung dari penyediaannya. Misalnya, aplikasi navigasi dapat mengumpulkan data tentang kondisi lalu lintas dengan melacak pengguna dan mendapatkan laporan dari mereka. Ini memungkinkan aplikasi untuk mengidentifikasi kemungkinan lokasi kemacetan lalu lintas dan untuk memperingatkan pengemudi lain yang menuju ke sana.

Tetapi pengemudi yang sudah terjebak dalam kesulitan mendapatkan sedikit imbalan langsung dari berpartisipasi, dan mereka mungkin terganggu oleh gagasan bahwa aplikasi tahu di mana mereka setiap saat (dan berpotensi merekam gerakan mereka). Jika orang-orang dalam kemacetan lalu lintas menolak untuk membagikan data mereka atau benar-benar mematikan geolocator mereka, kemampuan aplikasi untuk memperingatkan pengguna tentang masalah lalu lintas akan terganggu.

Tantangan lain mungkin adalah kebutuhan untuk memperbarui data pelatihan secara berkala. Ini tidak selalu menjadi masalah; itu tidak akan berlaku jika konteks dasar di mana prediksi dibuat tetap konstan. Radiologi, misalnya, menganalisis fisiologi manusia, yang umumnya konsisten dari orang ke orang dan dari waktu ke waktu. Jadi, setelah titik tertentu, nilai marjinal dari rekaman ekstra dalam database pelatihan hampir nol. Namun, dalam kasus lain algoritma mungkin perlu sering diperbarui dengan data yang benar-benar baru yang mencerminkan perubahan di lingkungan yang mendasarinya. Dengan aplikasi navigasi, misalnya, jalan baru atau lingkaran lalu lintas, jalan yang diganti namanya, dan perubahan serupa akan membuat prediksi aplikasi menjadi kurang akurat dari waktu ke waktu kecuali peta yang menjadi bagian dari data pelatihan awal diperbarui.

Peningkatan algoritma dengan penggunaan data

Dalam banyak situasi, algoritma dapat terus ditingkatkan melalui penggunaan data umpan balik, yang diperoleh dengan memetakan hasil aktual ke data masukan yang menghasilkan prediksi hasil tersebut. Alat ini sangat membantu dalam situasi di mana terdapat variasi yang cukup besar dalam batasan yang ditentukan dengan jelas.

Misalnya, saat ponsel Anda menggunakan gambar Anda untuk keamanan, awalnya Anda akan melatih ponsel untuk mengenali Anda. Tapi wajahmu bisa berubah secara signifikan. Anda mungkin atau mungkin tidak memakai kacamata. Anda mungkin mendapatkan gaya rambut baru, merias wajah, atau menambah atau mengurangi berat badan. Dengan demikian prediksi bahwa Anda adalah Anda mungkin menjadi kurang dapat diandalkan jika ponsel hanya mengandalkan data pelatihan awal. Tetapi yang sebenarnya terjadi adalah ponsel memperbarui algoritmanya menggunakan semua gambar yang Anda berikan setiap kali Anda membukanya.

Membuat loop umpan balik semacam ini jauh dari langsung dalam konteks dinamis dan di mana umpan balik tidak dapat dengan mudah dikategorikan dan bersumber. Data umpan balik untuk aplikasi pengenalan wajah ponsel cerdas, misalnya, membuat prediksi yang lebih baik hanya jika satu-satunya orang yang memasukkan data wajah adalah pemilik ponsel. Jika orang lain terlihat cukup mirip untuk masuk ke ponsel dan terus menggunakannya, prediksi ponsel bahwa pengguna adalah pemiliknya menjadi tidak dapat diandalkan.

Mengenalkan bias ke dalam machine learning juga sangat mudah berbahaya, terutama jika ada banyak faktor yang berperan. Misalkan pemberi pinjaman menggunakan proses yang mendukung AI untuk menilai risiko kredit pemohon pinjaman, dengan mempertimbangkan tingkat pendapatan, riwayat pekerjaan, karakteristik demografis, dan sebagainya.

Jika data pelatihan untuk algoritma mendiskriminasi kelompok tertentu—misalnya, orang dengan kulit berwarna—lingkaran umpan balik akan mengabadikan atau bahkan menonjolkan bias tersebut, sehingga semakin besar kemungkinan pelamar yang berkulit berwarna ditolak. Umpan balik hampir tidak mungkin untuk dimasukkan dengan aman ke dalam algoritma tanpa parameter yang ditentukan dengan cermat dan sumber yang andal dan tidak bias.

Membangun Keunggulan Kompetitif dalam Prediksi

Dalam banyak hal, membangun bisnis yang berkelanjutan dalam pembelajaran mesin mirip seperti membangun bisnis yang berkelanjutan di industri apa pun. Anda harus memiliki ide tentang produk yang dapat dijual, mengukir posisi awal yang dapat dipertahankan, dan mempersulit siapa pun untuk mengikuti Anda. Apakah Anda dapat melakukannya tergantung pada jawaban Anda atas tiga pertanyaan:

Apakah Anda memiliki data pelatihan yang cukup?

Saat memulai, mesin prediksi perlu menghasilkan prediksi yang cukup baik agar layak secara komersial. Definisi “cukup baik” dapat diatur oleh peraturan (misalnya, AI untuk membuat diagnosis medis harus memenuhi standar pemerintah), kegunaan (chatbot harus bekerja cukup lancar agar penelepon merespons mesin daripada menunggu untuk berbicara dengan manusia di pusat panggilan), atau persaingan (perusahaan yang ingin memasuki pasar pencarian internet membutuhkan tingkat akurasi prediksi tertentu untuk bersaing dengan Google). Oleh karena itu, salah satu penghalang untuk masuk adalah jumlah waktu dan upaya yang diperlukan dalam membuat atau mengakses data pelatihan yang memadai untuk membuat prediksi yang cukup baik.

Penghalang ini bisa tinggi. Ambil kasus radiologi, di mana mesin prediksi harus jauh lebih baik daripada manusia yang sangat terampil agar dapat dipercaya dengan kehidupan manusia. Itu menunjukkan bahwa perusahaan pertama yang membangun AI yang berlaku umum untuk radiologi (yang dapat membaca gambar yang dipindai) akan memiliki sedikit persaingan pada awalnya karena begitu banyak data yang dibutuhkan untuk sukses. Tetapi keuntungan awal mungkin berumur pendek jika pasar tumbuh dengan cepat, karena dalam pasar yang tumbuh cepat, hasil dari memiliki akses ke data pelatihan mungkin akan cukup besar untuk menarik banyak perusahaan besar dengan kantong yang dalam.

Ini, tentu saja, berarti bahwa persyaratan entri data pelatihan tunduk pada skala ekonomi, seperti banyak hal lainnya. Pasar dengan pertumbuhan tinggi menarik investasi, dan seiring waktu hal ini meningkatkan ambang batas bagi pendatang baru berikutnya (dan memaksa semua orang yang sudah ada di sektor ini untuk mengeluarkan lebih banyak uang untuk mengembangkan atau memasarkan produk mereka). Dengan demikian, semakin banyak data yang dapat Anda gunakan untuk melatih mesin Anda, semakin besar rintangan bagi siapa pun yang datang setelah Anda, yang membawa kita ke pertanyaan kedua.

Seberapa cepat umpan balik Anda berputar?

Mesin prediksi mengeksploitasi apa yang secara tradisional merupakan keuntungan manusia—mereka belajar. Jika mereka dapat menggabungkan data umpan balik, maka mereka dapat belajar dari hasil dan meningkatkan kualitas prediksi berikutnya.

Tingkat keuntungan ini, bagaimanapun juga, tergantung pada waktu yang dibutuhkan untuk mendapatkan umpan balik. Dengan pemindaian radiologi, jika otopsi diperlukan untuk menilai apakah algoritma machine learning memprediksi kanker dengan benar, maka umpan balik akan lambat, dan meskipun perusahaan mungkin memiliki petunjuk awal dalam mengumpulkan dan membaca pemindaian, kemampuannya akan terbatas dalam kemampuannya untuk belajar.

Dengan demikian hal ini akan mempertahankan keunggulannya. Sebaliknya, jika data umpan balik dapat dihasilkan dengan cepat setelah mendapatkan prediksi, maka keunggulan awal akan diterjemahkan ke dalam keunggulan kompetitif yang berkelanjutan, karena skala efisiensi minimum akan segera berada di luar jangkauan perusahaan besar sekalipun.

Pengaruh data umpan balik

Ketika Microsoft meluncurkan mesin pencari Bing pada tahun 2009, ia mendapat dukungan penuh dari perusahaan. Microsoft menginvestasikan miliaran dolar di dalamnya. Namun lebih dari satu dekade kemudian, pangsa pasar Bing tetap jauh di bawah Google, baik dalam volume pencarian maupun pendapatan iklan pencarian. Salah satu alasan Bing merasa sulit untuk mengejar ketinggalan adalah umpan balik.

Dalam penelusuran, waktu antara prediksi (menawarkan halaman dengan beberapa link yang disarankan untuk menanggapi kueri) dan umpan balik (pengguna mengklik salah satu link) pendek—biasanya dalam hitungan detik. Dengan kata lain, umpan balik itu cepat dan kuat.

Pada saat Bing memasuki pasar, Google telah mengoperasikan mesin pencari berbasis AI selama satu dekade atau lebih, membantu jutaan pengguna dan melakukan miliaran pencarian setiap hari. Setiap kali pengguna membuat kueri, Google memberikan prediksinya untuk tautan yang paling relevan, lalu pengguna memilih tautan terbaik tersebut, sehingga Google dapat memperbarui model prediksinya. Itu memungkinkan untuk belajar terus-menerus dalam terang ruang pencarian yang terus berkembang.

Dengan begitu banyak data pelatihan berdasarkan begitu banyak pengguna, Google dapat mengidentifikasi peristiwa baru dan tren baru lebih cepat daripada Bing. Pada akhirnya, putaran umpan balik yang cepat, dikombinasikan dengan faktor-faktor lain—investasi Google yang berkelanjutan dalam fasilitas pemrosesan data yang sangat besar, dan biaya nyata atau yang dirasakan oleh konsumen untuk beralih ke mesin lain—membuat Bing selalu tertinggal. Mesin pencari lain yang mencoba bersaing dengan Google dan Bing bahkan tidak pernah sempat memulai.

Seberapa baik prediksi Anda?

Keberhasilan produk apa pun pada akhirnya bergantung pada apa yang Anda dapatkan untuk apa yang Anda bayar. Jika konsumen ditawari dua produk serupa dengan harga yang sama, mereka biasanya akan memilih produk yang mereka anggap berkualitas lebih tinggi.

Kualitas prediksi, seperti yang telah tercatat, seringkali mudah untuk dinilai. Dalam radiologi, penelusuran, periklanan, dan banyak konteks lainnya, perusahaan dapat merancang AI dengan metrik tunggal yang jelas untuk kualitas: akurasi. Seperti di industri lain, produk dengan kualitas terbaik mendapatkan keuntungan dari permintaan yang lebih tinggi. Namun, produk berbasis AI berbeda dari yang lain, karena untuk sebagian besar produk lain, kualitas yang lebih baik lebih mahal, dan penjual barang bermutu rendah bertahan dengan menggunakan bahan yang lebih murah atau proses pembuatan yang lebih murah dan kemudian mengenakan harga yang lebih rendah.

Strategi ini tidak layak dalam konteks AI. Karena AI berbasis perangkat lunak, pembuatan prediksi berkualitas rendah sama mahalnya dengan prediksi berkualitas tinggi, sehingga membuat harga diskon menjadi tidak realistis. Dan jika prediksi yang lebih baik dihargai sama dengan yang lebih buruk, tidak ada alasan untuk membeli yang berkualitas lebih rendah.

Bagi Google, ini adalah faktor lain yang menjelaskan mengapa keunggulannya dalam penelusuran mungkin tidak dapat disangkal. Prediksi pesaing sering kali terlihat sangat mirip dengan Google. Masukkan kata “cuaca” ke Google atau Bing, dan hasilnya akan sama—prakiraan akan muncul lebih dulu. Tetapi jika Anda memasukkan istilah yang kurang umum, perbedaan mungkin muncul.

Jika Anda mengetik, katakanlah, “disrupsi”, halaman pertama Bing biasanya akan menampilkan definisi kamus, sementara Google menyediakan definisi dan tautan ke makalah penelitian tentang topik inovasi yang mendisrupsi. Meskipun Bing dapat bekerja sebaik Google untuk beberapa kueri teks, bagi yang lain Bing kurang akurat dalam memprediksi apa yang dicari konsumen. Dan ada sedikit jika ada kategori pencarian lain, di mana Bing secara luas dianggap lebih unggul.

Mengejar ketertinggalan

Intinya adalah bahwa dalam AI, penggerak awal dapat membangun keunggulan kompetitif berbasis skala jika umpan balik cepat dan kualitas kinerja jelas. Jadi, apa artinya ini bagi orang yang terlambat bergerak? Terkubur dalam tiga pertanyaan tadi adalah petunjuk untuk dua cara di mana mereka yang terlambat dapat mengukir ruangnya sendiri di pasar. Calon pesaing tidak perlu memilih di antara pendekatan ini; mereka bisa mencoba keduanya.

Identifikasi dan amankan sumber data alternatif

Di beberapa pasar untuk alat prediksi, mungkin ada reservoir data pelatihan potensial yang belum ditangkap oleh petahana. Kembali ke contoh radiologi, puluhan ribu dokter masing-masing membaca ribuan pindaian setiap tahun, yang berarti bahwa ratusan juta (atau bahkan milyaran) titik data baru tersedia.

Penggerak awal akan memiliki data pelatihan dari beberapa ratus ahli radiologi. Tentu saja, setelah perangkat lunak mereka berjalan di lapangan, jumlah pemindaian dan jumlah umpan balik dalam database mereka akan meningkat secara substansial, tetapi miliaran pemindaian yang sebelumnya dianalisis dan diverifikasi merupakan peluang bagi mereka yang tertinggal, dengan asumsi mereka mampu mengumpulkan pindaian dan menganalisisnya secara agregat. Jika itu masalahnya, mereka mungkin dapat mengembangkan AI yang membuat prediksi yang cukup baik untuk masuk ke pasar, setelah itu mereka juga bisa mendapatkan keuntungan dari umpan balik.

Orang yang terlambat juga dapat mempertimbangkan untuk melatih AI menggunakan data patologi atau otopsi daripada diagnosis manusia. Strategi itu akan memungkinkan mereka mencapai ambang kualitas lebih cepat (karena biopsi dan otopsi lebih pasti daripada pemindaian tubuh), meskipun putaran umpan balik berikutnya akan lebih lambat.

Alternatifnya, alih-alih mencoba menemukan sumber data pelatihan yang belum dimanfaatkan, yang terlambat dapat mencari sumber data umpan balik baru yang memungkinkan pembelajaran lebih cepat daripada yang digunakan pemegang jabatan. (BenchSci adalah contoh perusahaan yang berhasil melakukan hal ini.)

Dengan menjadi yang pertama dengan pasokan baru data umpan balik yang lebih cepat, pendatang baru kemudian dapat belajar dari tindakan dan pilihan penggunanya untuk membuat produknya lebih baik. Namun di pasar di mana putaran umpan balik sudah cukup cepat dan di mana perusahaan lama beroperasi dalam skala besar, peluang untuk melakukan pendekatan ini akan relatif terbatas. Umpan balik yang secara signifikan lebih cepat kemungkinan akan memicu gangguan pada praktik saat ini, yang berarti bahwa pendatang baru tidak akan benar-benar bersaing dengan perusahaan yang sudah mapan tetapi malah menggusur mereka.

Bedakan prediksi

Taktik lain yang dapat membantu peserta yang terlambat menjadi kompetitif adalah dengan mendefinisikan kembali apa yang membuat prediksi menjadi “lebih baik”, meskipun hanya untuk beberapa pelanggan. Dalam radiologi, misalnya, strategi seperti itu dapat dilakukan jika ada permintaan pasar untuk berbagai jenis prediksi. Peserta awal kemungkinan besar melatih algoritme mereka dengan data dari satu sistem rumah sakit, satu jenis perangkat keras, atau satu negara.

Dengan menggunakan data pelatihan (dan kemudian data umpan balik) dari sistem lain atau negara lain, pendatang baru dapat menyesuaikan AI-nya untuk segmen pengguna tersebut jika cukup berbeda. Jika, katakanlah, orang Amerika perkotaan dan orang-orang di pedesaan China cenderung mengalami kondisi kesehatan yang berbeda, maka mesin prediksi yang dibuat untuk mendiagnosis salah satu dari kelompok tersebut mungkin tidak seakurat untuk mendiagnosis pasien di kelompok lain.

Orang yang terlambat dapat mencari sumber data umpan balik baru yang memungkinkan pembelajaran lebih cepat

Membuat prediksi yang mengandalkan data yang berasal dari jenis perangkat keras tertentu juga dapat memberikan peluang pasar, jika model bisnis tersebut menghasilkan biaya yang lebih rendah atau meningkatkan aksesibilitas bagi konsumen. Banyak AI saat ini untuk radiologi memanfaatkan data dari mesin sinar-X yang paling banyak digunakan, pemindai, dan perangkat ultrasound yang dibuat oleh GE, Siemens, dan produsen mapan lainnya.

Namun, jika algoritma diterapkan pada data dari mesin lain, prediksi yang dihasilkan mungkin kurang akurat. Jadi, pendatang yang terlambat dapat menemukan ceruk pasar dengan menawarkan produk yang disesuaikan dengan peralatan lain itu—yang mungkin menarik untuk digunakan oleh fasilitas medis jika lebih murah untuk dibeli atau dioperasikan atau dikhususkan untuk memenuhi kebutuhan konsumen tertentu.

KESIMPULAN

Potensi mesin prediksi sangat besar, dan tidak ada keraguan bahwa raksasa teknologi memiliki permulaan yang lebih awal. Namun perlu diingat bahwa prediksi itu seperti produk yang direkayasa secara tepat, sangat disesuaikan untuk tujuan dan konteks tertentu. Jika Anda dapat sedikit membedakan tujuan dan konteks, Anda dapat membuat ruang yang dapat dipertahankan untuk produk Anda sendiri. Meskipun kesulitannya terletak pada detail bagaimana Anda mengumpulkan dan menggunakan data, keselamatan Anda juga ada di sana.

Meskipun demikian, kunci sebenarnya untuk berhasil bersaing dengan Big Tech di industri yang didukung oleh mesin cerdas terletak pada pertanyaan yang hanya dapat dijawab oleh manusia: Apa yang ingin Anda prediksi? Tentu saja, mencari tahu jawabannya tidaklah mudah. Untuk melakukan hal itu, diperlukan pemahaman yang mendalam tentang dinamika pasar dan analisis yang cermat tentang potensi nilai prediksi tertentu serta produk dan layanan tempat prediksi tersebut tertanam.

Oleh karena itu, mungkin tidak mengherankan bahwa investor utama dalam pembiayaan Seri A2 BenchSci bukanlah salah satu dari banyak investor teknologi lokal Kanada, melainkan perusahaan modal ventura yang berfokus pada AI bernama Gradient Ventures—yang dimiliki oleh Google.

Leave a Reply

Your email address will not be published. Required fields are marked *