“Parece probable que una vez que el método de pensamiento de las máquinas comenzara, no tomaría mucho tiempo superar nuestros débiles poderes… Podrían conversar entre ellos para agudizar su ingenio. En algún momento, por lo tanto, deberíamos esperar que las máquinas tomen el control “. - Alan Turing

 

Si esto no le hace temblar, sobre la Inteligencia Artificial (o IA), no sé qué lo hará. Dado el impacto (lógico) nefasto que podemos asumir sobre esta increíble tecnología, ¿por qué no ganar algo de dinero con ella antes de que nos eliminen de la ecuación?

Hay varias formas de conceptualizar lo que constituye una gran inversión. Una de ellos es pensar en una oportunidad de inversión en función del potencial de crecimiento dividido por la tasa de penetración. En esta ecuación, la inversión más atractiva es aquella con alto potencial de crecimiento y baja tasa de penetración actual.

Pues bien, el mejor lugar para encontrar ideas así es en el campo de la IA. Al igual que las etapas del desarrollo de una empresa, existen niveles (o “cuadrantes, como destaca Deloitte) para las aplicaciones específicas de la industria de la IA.

Estos cuadrantes nos ayudan a determinar en qué etapa se encuentra una industria en su ciclo de adopción de IA y nos permiten invertir en las áreas de mayor crecimiento posible. En resumen, podemos identificar industrias específicas en la sección transversal de alto crecimiento y baja penetración. Nuestro particular Santo Grial.

Pero antes de sumergirnos en industrias específicas e ideas de inversión, primero debemos comprender qué hace que una gran empresa de inteligencia artificial sea excelente.

Este ensayo cubrirá tres temas:

• ¿Qué hace a una gran empresa de inteligencia artificial?
• ¿Cuáles son los cuatro cuadrantes de la aplicación de IA?
• ¿En qué sector / cuadrante queremos invertir?

“Ven conmigo si quieres vivir y encuentra ideas de inversión increíbles”. - Terminator (o algo así)

¿Qué hace una gran empresa a una de inteligencia artificial?

Una gran empresa de inteligencia artificial toma datos generados internamente y los utiliza para proporcionar un mejor servicio / producto a sus usuarios. Lo que a su vez aumenta su base de usuarios y crea más (y mejores) datos. Lo que genera un mejor producto. Etcétera.

Las grandes empresas de inteligencia artificial son verdaderas beneficiarias de la ventaja de ser las primeras. Al final del día, quien tenga los mejores datos gana. Los mejores datos entrenan al mejor modelo que produce el mejor producto.

William Vorhies de Data Science Central llama a esta idea Data Dominance. Aquí está su opinión sobre esta idea (énfasis mío):

“Para crear una empresa de inteligencia artificial exitosa, debe crear un foso tan ancho que nadie pueda ponerse al día a menos que pague su precio. Ese foso no se trata de tecnología. Básicamente, no existen monopolios en las tecnologías de aprendizaje profundo, solo líderes que se pueden copiar rápidamente. El secreto de un amplio foso en la IA es tener un monopolio virtual sobre los datos que está utilizando para entrenar. En este caso, el monopolio también significa una ventaja tan grande en usuarios y volumen de datos que nadie puede razonablemente ponerse al día.“

Pero los datos por el bien de los datos en sí mismos no son suficientes. Las grandes empresas de IA necesitan el tipo de datos adecuado. Datos defendibles. En el caso de la IA, son los datos los que crean el foso económico, no la tecnología. De hecho, Vorhies sostiene que el aspecto tecnológico real de las empresas de IA es meramente una mercancía.

Entonces, podemos reducir la fórmula de una gran empresa de IA en dos factores:

• La empresa tiene el monopolio del tipo correcto de datos.
• Los datos se utilizan para resolver un problema específico (nicho)

Armados con este marco, escaneamos áreas donde la IA puede crear un conjunto de datos diferenciados y resolver un problema único. Este proceso eliminará la inversión de la mayoría de las industrias. Vorhies nos recuerda sobre el dominio de Facebook y Google en publicidad, y el foso de Amazon en el gasto del consumidor (énfasis mío):

“Por ejemplo, no hay un gran foso disponible en la publicidad. Google domina la publicidad basada en búsquedas y Facebook domina la publicidad basada en redes sociales. ¿Comercio electrónico general? No se puede superar el liderazgo que tiene Amazon en el conocimiento de nuestros deseos personales de compra. Estos tres gigantes de la industria claramente tienen posiciones defendibles en virtud de sus datos dominantes”.

Vorheis ofreció tres ejemplos en su blog:

1. Blue River Technologies

Blue River Technologies tiene la mayor colección de imágenes de plantas del mundo. Esto les permite recomendar los niveles exactos de agua, nutrientes y fertilizantes para cualquier planta en cualquier etapa de su ciclo de vida.

Ese tipo de datos es extremadamente valioso. Tanto es así que John Deere compró la empresa por 305 millones de dólares en 2017 .

Blue River es un ejemplo perfecto de conjuntos de datos defendibles y problemas únicos. Aquí hay un fragmento de un artículo de Medium sobre la adquisición (el énfasis es mío):

“Sus robots realmente detectan, deciden, actúan y aprenden, milisegundo a milisegundo. Cada año, los sistemas de robots de Blue River recopilan todos los datos de los cultivos a lo largo del tiempo y cierran el ciclo, lo que garantiza que comprenden el impacto de cada decisión de gestión y optimizan la cosecha del próximo año. “

2. Axon

Axon es un interesante caso de estudio. Mucha gente lo conoce por su nombre anterior, Taser. Sí, la empresa que fabrica las famosas pistolas paralizantes. Al ver un ciclo de ventas único, Taser aprovechó su enorme base de datos de imágenes de video de sus cámaras corporales policiales.

Estamos hablando de una base de datos masiva : 4,9 Petabytes, o el equivalente a todo el catálogo de Netflix 2016.

Al igual que Blue River, la base de datos de Axon contenía información única sobre problemas específicos : datos de audio y visuales de arrestos policiales. Nuevamente vemos el poder de los datos defendibles. ¿Quién puede competir con 4,9 petabytes de datos existentes?

Las aplicaciones para dichos datos incluyen reconocimiento facial, identificación de voz y predicción de estrés. Así como políticas policiales predictivas y prescriptivas.

3. Arreglo de puntadas

Stitch Fix es uno de los ejemplos más recientes y populares del poder de los datos en la analítica.

Bill Gurley, posiblemente uno de los mayores inversores de riesgo de todos los tiempos, lideró la ronda de la Serie B de Stitch Fix por $ 12 millones. Escribió un gran artículo sobre la compañía en 2013 donde ataca el corazón de la principal ventaja competitiva de SFIX, los datos únicos (el énfasis es mío):

“La tecnología de personalización de Stitch Fix crea una dinámica muy similar dentro de la moda femenina. A través de una mejor comprensión del cliente y el uso de datos para predecir pedidos futuros, Stitch Fix tiene un motor que simultáneamente satisface mejor los deseos individuales del cliente y también contribuye a una mayor rotación de inventario, menos amortizaciones, mayor eficiencia de capital y mayor ROIC. Este es el nirvana del modelo de negocio”.

En resumen, los clientes de SFIX ayudan a mejorar el producto. Esto hace que los clientes estén más satisfechos, lo que genera mejores datos para un producto aún mejor. Es el “nirvana del modelo de negocio” de Bill Gurley y lo que Vorheis describió como datos defendibles.

Esto nos lleva a una conclusión importante (aunque matizada): los efectos de red de datos son mejores señales para fosos potenciales que los efectos de red normales.

Matt Turk (VC en FirstMark) escribió un artículo sobre las diferencias entre los efectos de red genéricos y los efectos de red de datos . Aquí está su opinión sobre los efectos de la red de datos (el énfasis es mío):

“Los efectos de la red de datos ocurren cuando su producto, generalmente impulsado por aprendizaje automático, se vuelve más inteligente a medida que obtiene más datos de sus usuarios. En otras palabras: cuantos más usuarios usen su producto, más datos aportan; cuantos más datos aporten, más inteligente se vuelve su producto (lo que puede significar cualquier cosa, desde mejoras de rendimiento centrales hasta predicciones, recomendaciones, personalización, etc.); cuanto más inteligente sea su producto, mejor servirá a sus usuarios y es más probable que regresen con frecuencia y contribuyan con más datos, y así sucesivamente. “

Lo interesante es que las empresas pueden aprovechar ambos tipos de efectos de red. Matt da dos ejemplos en Facebook (FB) y Uber (UBER):

“Parte de la magia de Uber es que se beneficia de ambos para su misión principal: un efecto de red estándar (Uber se vuelve más valioso para todos a medida que más conductores y más clientes se unen al servicio) y un efecto de red de datos (más datos permiten a Uber mejorar constantemente sus algoritmos de enrutamiento para que los clientes obtengan un automóvil lo más rápido posible y para garantizar que sus conductores obtengan tantos trabajos como puedan, haciendo que todos estén felices y tengan más probabilidades de ser miembros a largo plazo de la red). De manera similar, Facebook se beneficia tanto de un efecto de red “estándar” ( cuantas más personas hay en Facebook, más interesante es la experiencia de todos) y de efectos de red de datos, como el suministro de noticias, por ejemplo, sigue siendo más personalizado en función de los ciclos de aprendizaje de datos masivos”.

Las empresas de inteligencia artificial verdaderamente excelentes aprovechan ambos conjuntos de efectos de red para crear el mejor producto y servicio para sus clientes. Lo hacen resolviendo problemas únicos a través de conocimientos de conjuntos de datos diferenciados. Conjuntos de datos defendibles. Bienvenidos a la nueva realidad económica del foso.

Muy bien, ahora que sabemos qué hace que una gran empresa de inteligencia artificial sea excelente, aprendamos sobre los cuatro cuadrantes de las aplicaciones de inteligencia artificial. Comprender dónde se encuentra una industria en su cuadrante nos ayuda a determinar qué tipo de inversión deberíamos hacer en ese campo. O si la deberíamos hacer.

Los cuatro cuadrantes de las aplicaciones de IA

El ciclo de adopción de la industria de la IA refleja el ciclo de vida de una empresa. Está la etapa inicial, el período de alto crecimiento, la madurez y el declive. Analicemos cada uno con la definición de Deloitte y nuestra propia versión. Tenga en cuenta que para la mayor parte de esta sección nos referiremos al documento técnico de Deloitte sobre la industria de la IA. Es una lectura obligada para cualquier persona interesada en el espacio.

Transición

El nivel de aplicación de la IA en la industria relevante es relativamente alto, pero las oportunidades de mercado son limitadas actualmente y se espera que la escala del mercado se expanda aún más en el futuro.

Traducción: este cuadrante tiene altas tasas de penetración en la industria y una baja escala de mercado (oportunidades).

Germinación

El nivel de aplicación en la industria y las oportunidades de mercado aún no están maduras, aunque la IA ha desempeñado ciertas funciones, pero todavía se encuentra en la etapa inicial en términos generales.

Traducción: este cuadrante tiene una baja escala de mercado (oportunidades) y una baja penetración en la industria. Piense en Germination como la empresa de riesgo en etapa inicial con mucho potencial pero sin una dirección clara.

Crecimiento

El nivel de aplicación en la industria no es suficiente, pero la aplicación se ampliará en el futuro con más oportunidades de mercado.

Traducción: este cuadrante tiene una alta escala de mercado (oportunidades) y una baja penetración en la industria. Muchas ideas y pocas soluciones.

Desarrollado

La tecnología de IA ya ha tenido un impacto profundo en áreas con un alto nivel de aplicación industrial y oportunidades de mercado.

Traducción: este cuadrante tiene una alta escala de mercado (oportunidades) y una alta penetración en la industria. En otras palabras, estas industrias conocían la importancia de la IA, adoptaron la tecnología temprano y están cosechando los beneficios de su decisión.

Dónde encajan las industrias en cada cuadrante

Ahora que conocemos cada cuadrante específico, podemos colocar cada industria en su respectivo grupo. Esto es importante porque nos ayuda a enmarcar dónde (y cuándo) queremos invertir en estas aplicaciones de IA específicas de la industria.

• Cuadrante de transición : gobierno digital.
• Cuadrante de germinación: servicios públicos, sanidad, ciudades inteligentes, energía.
• Cuadrante de crecimiento: recursos naturales y materiales, conducción autónoma, medios y servicios de comunicación.
• Cuadrante desarrollado: servicios y medios de comunicación, educación, finanzas, fabricación, venta minorista.

Generalmente, queremos centrarnos en el lado derecho del gráfico anterior. Queremos invertir en industrias con grandes oportunidades de mercado y crecientes penetraciones en la industria. Específicamente, estamos analizando cuatro industrias principales:

• Al por menor.
• Cuidado de la salud.
• Educación.
• Financiero.

Estas cuatro industrias ofrecen la combinación perfecta de oportunidad y penetración. Sin embargo, no es suficiente tomar estas industrias y dar por terminado el día. Debemos encontrar empresas dentro de cada industria que resuelvan problemas únicos utilizando conjuntos de datos diferenciados.

El resto del ensayo se centrará en los puntos débiles específicos de cada industria y en cómo las empresas pueden utilizar la IA para resolver esos problemas. Esta semana cubrimos Retail y Healthcare.

Minorista: todo sobre la fidelidad del cliente

Los clientes de hoy compran por motivos diferentes a los de sus padres. Ahora, los consumidores se preocupan más por las implicaciones sociales de lo que compran que por la eficacia del producto en sí. Esto presenta desafíos para muchos minoristas que luchan por comprender la mente del consumidor “millennial”. Y están librando una batalla cuesta arriba. La mayoría de los “tableros” de los minoristas están llenos de hombres mayores de 65 años.

Packy McCormick clava esta idea en su boletín de noticias Software Is Eating The Markets, cuando dice (el énfasis es mío):

“Al igual que las inversiones de un “business angel” en el Área de la Bahía, cuando agrega valor social y experiencial a otras clases de activos como acciones, zapatillas y criptomonedas, el precio se divorcia de las difíciles matemáticas y se vuelve más emocional. Eso no significa que la gente esté sentada en casa aburrida y apostando; es posible que estén tomando decisiones perfectamente racionales al tener en cuenta los muchos roles que sus inversiones están haciendo por ellos ahora”.

Afortunadamente, la IA puede ayudar a los minoristas a controlar el comportamiento cambiante de los consumidores.

Deloitte describió cuatro formas en que la IA puede ayudar a los minoristas a recuperar el control:

• Atraer la participación del consumidor.
• Gestión de mercancías.
• Redefinir tiendas.
• Cadena de suministro inteligente.

Dos de ellos (Gestión de mercancías y Cadena de suministro inteligente) ayudan principalmente en la gestión del inventario y garantizan que los minoristas pidan lo suficiente de lo que se vende y menos de lo que no. Por ejemplo, empresas como ImageDT ayudan a los minoristas a organizar su espacio en los estantes.

Con ImageDT, los asociados minoristas pueden tomar una foto del estante de una tienda y, en cuestión de minutos, los algoritmos de inteligencia artificial de la compañía recomiendan la ubicación optimizada del producto, informándole sobre los precios de la competencia y cómo llenar el espacio vacío.

Otro aspecto interesante en el espacio comercial gira en torno a la redefinición de tiendas. En el último artículo de Gavin Baker, Por qué los minoristas de ladrillo y mortero líderes en la categoría son probablemente los mayores beneficiarios de la Covid a largo plazo, explica la importancia de las tiendas físicas para el futuro de las ventas minoristas (énfasis mío):

“El futuro siempre iba a ser omnicanal. Los expertos han estado prediciendo esto prematuramente durante muchos años, pero finalmente está sucediendo. Existe una extraña creencia en ciertos círculos de que el futuro será solo el comercio electrónico y que las tiendas físicas no tienen valor. Esto es extraño porque las empresas de comercio electrónico más grandes y sofisticadas del mundo están abriendo tiendas. Muchas tiendas.“

Gavin va más allá con esta afirmación, diciendo (énfasis mío):

“Las tiendas físicas tienen un enorme valor en línea, además de permitir un verdadero comercio omnicanal. Nada importa más para una empresa de comercio electrónico que la eficiencia de marketing expresada como margen bruto $ / período de recuperación o la relación de CAC a LTV. Las tiendas físicas reducen significativamente el CAC en línea al mejorar la eficiencia del marketing (tasas de clics más altas, puntajes de calidad más altos para los anuncios). Es más probable que los consumidores confíen en una marca que han visto en el mundo real. Irónico en un mundo donde “CAC es el nuevo alquiler” que una de las mejores formas de reducir su alquiler en línea, es decir, CAC, es pagar el alquiler fuera de línea para las tiendas físicas. Las tiendas físicas también permiten BOPIS (compra en línea para recoger en la tienda) y la devolución en la tienda de los artículos comprados en línea, que los consumidores valoran.“

Si Gavin tiene razón (y creo que la tiene), esto significa que empresas como Geohey se vuelven muy valiosas para las tiendas minoristas comerciales. Geohey aprovecha su base de datos de indicadores económicos para ayudar a los minoristas a elegir el mejor lugar para su nueva tienda. Así es como la compañía explica su producto (énfasis mío):

“La” Solución de selección de sitios de Jihai “cuantifica el flujo de clientes, los productos de la competencia, la ecología, el consumo, el comportamiento y los datos de ubicación en la tienda, y proporciona indicadores de dimensiones completas para las operaciones comerciales a través de cálculos espaciales y estadísticas geográficas”.

La inteligencia artificial ayuda a los minoristas a encontrar y comprar los mejores lugares para su nicho específico.

Cuidado de la salud: los tres principales impulsores de una industria compleja

Es asombroso reflexionar sobre la cantidad de aplicaciones de IA en el espacio de la salud. También es fácil abrumarse. Afortunadamente, Deloitte destiló las aplicaciones de IA de la industria de la salud en tres áreas de enfoque principales:

• Gestión de salud inteligente.
• Imágenes médicas inteligentes.
• Diagnóstico y tratamiento inteligente.

En general, las aplicaciones de AI Healthcare se preocupan por una cosa: personalizar el enfoque de la salud y la medicina. La IA marcará el comienzo de nuevas oleadas de medicina, atención y tratamiento personalizados. Actualmente estamos viendo esto con aplicaciones en identificación de riesgos, médicos virtuales, diagnóstico en línea e intervenciones basadas en precisión.

Intelligent Medical Imaging es otro claro ganador de la adopción de la IA. A través de algoritmos de reconocimiento de imágenes, los científicos pueden entrenar un algoritmo para detectar el cáncer mejor que los humanos. Y como mencionamos anteriormente, estos algoritmos solo mejoran con cada imagen incremental visualizada. Esto asegura una mejor precisión diagnóstica a lo largo del tiempo, a diferencia de los humanos, que disminuyen la función cognitiva a medida que envejecen.

Resumen

Solo estamos rascando la superficie en cuanto a las aplicaciones de IA específicas de la industria. Próximamente cubriremos dos industrias restantes: educación y finanzas. Analizaremos los principales puntos débiles en cada una de estas industrias y revelaremos las formas en que la IA está ayudando a resolver estos problemas.

Después de eso, nos sumergiremos en ideas de inversión específicas centradas en este tema central de datos defendibles y efectos de red de datos.

La IA es una de las temáticas más interesantes para estudiar. En este espacio, existe un enorme potencial para los negocios. ¡Estamos ansiosos por encontrar algunas de estas empresas contigo!