En los últimos años, los avances en procesadores gráficos (GPUs) y las nuevas arquitecturas y modelos de deep learning como los transformers han supuesto una revolución científica. La pregunta que surge es cómo trasladar estos avances en nuevos productos y un mayor impacto económico y social.
Estos últimos meses hemos visto la revolución que ha supuesto ChatGPT, un modelo de lenguaje desarrollado por Open AI. Mientras que Alphabet y Meta lideraban la investigación en deep learning, Microsoft con OpenAI ha pensado en su cadena de valor y cómo mejorarla con soluciones de deep learning. Alphabet, en cambio ha liderado muchas investigaciones y productos aislados como AlphaGo, AlphaFold, etc. pero todavía no ha conseguido ese producto disruptivo y con gran impacto económico.
Por ello es muy importante distinguir entre soluciones deep learning que van a tener mucho impacto económico en la empresa de soluciones que simplemente usan o dicen usar deep learning para promocionarse.
En este post, vamos a analizar la innovación y el impacto que proporcionan tanto startups de deep learning como soluciones de deep learning adoptadas por empresas existentes. A continuación, describimos una metodología básica de análisis y comentamos su aplicación a empresas y startups.
METODOLOGÍA
Para poder analizar el impacto y la innovación del deep learning, realizamos las siguientes acciones:
- Analizar la solución o el producto propuesto. Es la startup o producto una solución o hardware para que terceros puedan implementar modelos de deep learning, es una solución basada en AI o deep learning para proporcionar servicios a clientes, qué dependencia tiene el servicio ofrecido por la empresa del uso de deep learning, es una solución que supuestamente usa AI, etc. Por ejemplo, el producto puede ser un nuevo procesador gráfico diseñado para operaciones de deep learning, una plataforma para que clientes implementen sus soluciones, una base de datos como servicio o un servicio financiero apoyado en algoritmos de deep learning.
- Analizar la cadena de valor de la empresa o startup para evaluar el impacto de la solución. ¿Qué problema resuelve? ¿Qué impacto económico puede tener en ahorro de costes, ingresos, etc.?
- Identificar y cuantificar, de manera similar a la matriz propuesta por Pfau and Rimp (2021), el impacto de la solución en el modelo de negocio. ¿Produce un cambio incremental, un cambio profundo o una disrupción? De esta forma se analiza el impacto económico de la solución en la empresa y sus clientes y si causa un impacto relevante.
- Analizar las necesidades de la solución para obtener los datos necesarios y escalar. Es necesario evaluar bien las necesidades de datos y escalado de la solución para poder identificar el potencial de crecimiento y los potenciales riesgos. La solución tiene que ser fácilmente escalable y disponer de los datos necesarios para su entrenamiento y validación.
Este enfoque se aplicará tanto a empresas tradicionales que desarrollan una solución deep learning como a startups de inteligencia artificial o deep learning.

EMPRESAS TRADICIONALES
En las empresas tradicionales, es necesario analizar detalladamente la cadena de valor de la empresa para identificar los puntos donde el deep learning puede tener impacto.
Por mucho deep learning y algoritmos avanzados que utilices, si no mejoras la cadena de valor con un impacto económico significativo no tiene sentido adoptar el deep learning. En ocasiones vemos en los medios de comunicación grandes empresas que venden nuevas iniciativas de deep learning, con infraestructura y algoritmos complejos, pero que no aportan gran valor a sus clientes y sus cuentas de resultados.
Por ejemplo, una operadora de telecomunicaciones que use procesamiento de lenguaje natural para automatizar tareas de poco valor como consulta y revisión de facturas, consulta de consumos…que se pueden hacer online y tienen poco impacto en el cliente.
Caso deep learning aplicado a la inversión
En un post anterior de machine learning aplicado a la inversión vimos como la disponibilidad de nuevos datos, tanto estructurados como no-estructurados, y nuevos algoritmos de predicción pueden aportar valor a los inversores. Para analizar la propuesta de valor del deep learning en la inversión describimos una matriz con dos ejes. Un eje medía si la información utilizada estaba descontada por el mercado y otro medía su influencia y capacidad predictiva en el precio del activo.
Es necesario tener mucho conocimiento específico para identificar datos e información no descontada que mejore la predicción del precio del activo.
Como ejemplo de solución con impacto, podemos tener una empresa energética que adopta algoritmos de deep learning para predecir precios del petróleo junto con un proceso de identificación y procesado de datos no estructurados y no descontados por el mercado que tengan correlación con los precios de este activo.
Como ejemplo de poco valor tenemos los robots de inversión si no se configuran con un conocimiento del mercado y datos que aporten valor.
EMPRESAS O STARTUPS PURAS DE AI Y DEEP LEARNING
En este caso, para poder tener un buen impacto económico el objetivo es tener un producto diferenciado y con altas barreras de entrada.
Si se desarrolla un producto o tecnología tiene que tener uno valores diferenciales (fabricación, escalabilidad, hardware específico, conocimiento del diseño, patentes, etc.) De esta forma, se limitará la cantidad de startups que aparezcan con productos similares.
Por ejemplo:
- Una empresa de diseño y producción de procesadores gráficos como GPUs, TPUs, etc. Por ejemplo Ampere computing.
- Una plataforma cloud para deep learning como servicio como BigML. Hardware preconfigurado, librerías instaladas, facilidad de uso, escalabilidad, accesible por clientes de muchas regiones, etc.
- Empresas como Hugging Face o Senstime que desarrollan nuevas herramientas de deep learning para que puedan ser usadas por terceros.
Si no se puede contar con un producto o tecnología diferenciado es mejor abarcar toda la cadena de valor. Para ello se usa hardware de terceros y se dieseña una solución software con un dominio específico de un campo o aplicación. En este caso, con tecnología de terceros pero con modelos de deep learning propios, con un gran fuente de datos específicos y con un buen conocimiento de los problemas se puede conseguir un ventaja diferencial y un impacto económico.
Por ejemplo:
- Una solución o plataforma para acelerar los procesos de investigación y desarrollo de fármacos. Como la empresa Insilico medicine o Benvolent.
- Una plataforma de ciberseguridad para detectar intrusiones como Darktrace.
En cambio, el impacto y la disrupción serían más limitados si la startup implanta tecnología hardware y software de terceros en clientes con los datos y el conocimiento aportado por el cliente.
Por lo tanto, como iremos viendo, en medio de este hype de uso de soluciones de deep learning, es necesario analizar y evaluar bien el impacto económico y social que tienen estas soluciones para distinguir las soluciones que aportan valor de las que simplemente se aprovechan de esta ola.
Deja una respuesta