Hay tres razones fundamentales:
- Existe una brecha masiva entre un prototipo de investigación y un producto pulido para la mayoría de las tecnologías basadas en ML.
- Es increíblemente difícil monetizar un negocio que comienza con ML como su propuesta de valor central; esto se convierte en una tecnología genial que busca un caso de uso que busca un modelo de negocio. Muy pocas compañías han navegado con éxito el camino de “un algoritmo genial que funciona X% mejor en Y”, a “software que la gente usa o que cambia el comportamiento de un sistema”, a “un negocio muy valioso”. (El de Google)
- Para la mayoría de los problemas, ML realmente brilla una vez que alcanza cierto volumen y velocidad de datos. ML se vuelve cada vez más valioso a medida que una empresa crece, pero rara vez es algo en lo que tiene sentido que la mayoría de las empresas se concentren inicialmente. Por ejemplo, piense en cómo recomendaría un libro a un usuario y diez libros frente a un millón de libros y mil millones de usuarios.
Sin embargo, no creo que sea cierto que haya “tan pocas startups de aprendizaje automático y procesamiento de lenguaje natural”. Si dediqué un poco de tiempo a esto, estoy seguro de que puedo generar una lista de cientos de activos con financiación.
Diría que muchos de estos se han reenfocado en dominios específicos y casos de uso, siendo el componente ML uno de los componentes clave de una oferta de productos mucho más grande.
- ¿Cómo puede la inteligencia artificial estar bajo nuestro control?
- Aprendizaje automático: ¿cómo funciona la búsqueda de cuadrícula?
- ¿Cuáles son algunos libros excelentes para un principiante sobre IA con Python?
- ¿Existe un bot legal para hacer dinero? ¿Qué es?
- Cómo decidir el número de nodos en una capa oculta de una red neuronal