Nick Beim span> Inzender span> div> div>
Nick Beim is partner bij Venrock en een investeerder in machine learning startups Dataminr en Intent Media . Div>
Meer berichten van deze fotograaf span>
  • leereffecten, netwerkeffecten en weggelopen leiders li> ul> div> div>

    Er is een nieuwe span> economische macht aan het werk in de machine learning revolutie die in staat is het genereren van toenemende meeropbrengsten op schaal is, net zoals netwerkeffecten deed in de internet revolutie. p>

    Deze kracht is geautomatiseerd leren, en de business impact komt in de vorm van leereffecten. hoe meer een product leert, des te waardevoller het wordt p>

    leereffecten hebben het potentieel om enorme economische waarde te genereren, zoals netwerk-effecten te doen, als bedrijven in staat zijn om deze lus te sluiten en maken het zelfversterkende:., dat wil zeggen, als hun producten meer informatie omdat em> hebben ze meer waard geworden p>

    Dit gebeurt wanneer er meer waardevolle producten meer gebruikers of klanten, die meer te bieden aan te trekken en rijker gegevens van het soort waarmee zelflerende modellen om deze producten waardevoller nog steeds te maken, die meer gebruikers of klanten nog steeds trekt, en ga zo maar door, het creëren van een zichzelf in stand cyclus p>

    p>

    Net als netwerkeffecten bepaald wie de grootste winnaars van de internet revolutie waren, zal leereffecten bepalen wie de grootste winnaars van de machine learning revolutie zal zijn p>

    Omdat ze in staat het verhogen van het rendement op schaal, zullen ze op dezelfde manier leiden tot een reeks van bedrijven die weggelopen leiders te geven -. die in staat weg te trekken van hun concurrenten en de voortzetting van zijn verhogen hun leads na verloop van tijd. p>

    offline Origins strong> p>

    net als netwerkeffecten, hebben leereffecten altijd bestaan ​​in de offline wereld, maar zijn geraakt supercharged in de digitale wereld . In de offline wereld, worden leereffecten overgebracht door de mens: als mensen leren hoe een product meer waarde kan worden, is ze dienovereenkomstig aan te passen. Menselijk leren, echter, is ambachtelijk, en ambachtelijke leren alleen schalen zo snel. P>

    Wat is er nieuw en anders in de machine learning tijdperk is dat bepaalde vormen van leren zijn geworden geautomatiseerd. Software kan leren door zelf met de blootstelling aan nieuwe gegevens en worden meer waard in het proces. Dit is een big deal economisch. Het gaat om de ontsluiting van nieuwe bron van economische waarde die voorheen ontoegankelijk was. P>

    A Vast New Power strong> p>

    Learning effecten zijn het belangrijkst is onttrokken bij grote internet platforms, gezien de enorme hoeveelheid gegevens die zij controleren en hun agressieve investering in machine learning te versnellen productinnovatie: Google in search, advertenties, foto’s, vertalen en Waze; Facebook in search, advertenties en newsfeed; en Amazon in search, advertenties, product aanbevelingen en Alexa, om er maar een subset voor elk. Deze bedrijven erkennen dat machinaal leren hen een enorme nieuwe kracht heeft verleend, en ze staan ​​te popelen om maximaal te profiteren van te maken. P>

    Misschien is de beste pure-play voorbeeld van de kracht van de leereffecten is Tesla, die begon als een elektrische auto bedrijf, maar was in staat om de machine learning inzetten om buitengewone effect over zijn vloot aan de categorie leider in het autonome rijden te worden. p>

    Tesla’s autonoom rijden mogelijkheden maken de auto’s meer waard, die meer klanten en gegevens trekt , waardoor het in staat stelt om deze mogelijkheden verder te verbeteren en nog meer klanten aan te trekken, en ga zo maar door. Als gevolg van de leereffecten, hebben Tesla’s tempo van innovatie en waardecreatie in de autonome drijvende gebied van de mogelijkheden van haar concurrenten overschaduwd. P>

    p>

    Engineered groei strong> p>

    Netwerk effecten en leereffecten genereren van groei op verschillende manieren. Network effecten hebben de neiging om groei te genereren autonoom, door een soort van gravitationele aanwas, als individuele consumenten en bedrijven het nastreven van hun eigen eigenbelang beslissen om de grootste en meest waardevolle netwerken te sluiten, waardoor ze groter en waardevoller nog. P>

    leereffecten op dezelfde manier profiteren van consumenten en bedrijven het nastreven van hun eigen belang om de beste producten te kopen, maar ze zijn minder het gevolg van gravitationele aanwas dan van fijn afgesteld technologie en productontwikkeling inspanningen die constant interventie en herijking nodig hebben om data samen te binden , intelligentie, product innovatie en groei gebruiker / klant. p>

    Als gevolg hiervan, ook al leereffecten zijn deels het product van geautomatiseerde leren, ze zijn zeker niet automatisch. De gegenereerd op basis van nieuwe klanten gegevens moeten van de juiste soort en van voldoende volume aan nieuwe leren mogelijk te maken. Dit leren moet worden geoptimaliseerd effectief genoeg om nieuwe producten waarde te creëren. En deze waarde moet sterk genoeg zijn en goed productized genoeg om meer klanten aan te trekken zijn. Onderbrekingen in deze keten betekent dat er geen zichzelf versterkende cyclus en dus ook geen leereffecten. P>

    Runaway Leaders strong> p>

    Misschien wel de meest interessante vraag over leereffecten is wat zijn de voorwaarden die ze sterk genoeg zijn om weggelopen leiders te creëren te maken, omdat deze zijn de bedrijven die de neiging om het overgrote deel van de enterprise value in de technologie startup wereld te creëren. p>

    Leereffecten niet altijd produceren weggelopen leiders. Alleen maar omdat het ene bedrijf heeft een voorsprong in het leren betekent niet dat andere bedrijven kunnen niet meer of betere gegevens te verkrijgen of efficiënter te leren van vergelijkbare gegevens in te halen met hen en uiteindelijk deze omzeilen. Het is een interessante vraag van vandaag, bijvoorbeeld als Tesla is weg te trekken van het pakket in autonome rijden, of als anderen zal inhalen in de komende jaren. P>

    Om voor leereffecten te weggelopen leiders te produceren, een bedrijf moet een definitief voordeel te behalen ten opzichte van zijn concurrenten in één van de deelgebieden van leereffecten – data, intelligentie, productinnovatie of groei gebruiker / klant – en benutten deze in voordelen in de andere, zodat de bedrijfsgegevens kan verwerven, leren, innoveren en niet alleen sneller dan haar concurrenten doen groeien, maar sneller dan ze kunnen. p>

    Net als bij het leren van effecten in het algemeen, is er niets automatisch over koppelverkoop deze voordelen samen. Het vereist excellente uitvoering. P>

    Typisch een bedrijf in staat is om deze cyclus jumpstart door het ontwikkelen van een significante gegevens voordeel ten opzichte van haar concurrenten. Vervolgens moet deze informatie voordeel te vertalen in een intelligentie voordeel, zoals gemeten door de mogelijkheden van de machine learning modellen, die vereist dat haar modellen zoals of efficiënter dan die van haar concurrenten. P>

    Deze intelligentie voordeel moet dan binden aan een productinnovatie voordeel dat direct is gecorreleerd met een gebruiker of acquisitie- voordelig uiteindelijk een voordeel in de omvang van de gebruikers of klanten. Genoeg klanten willen Teslas kopen, met andere woorden, omdat em> van hun autonome rijvaardigheid vs., want het is een elektrisch of koele-lijkende auto, want dat schept geen sterk genoeg zelfversterkend fiets. Ten slotte moet voor deze gebruiker of klantenbestand voordeel van het bedrijf gegevens zijn klanten te verbeteren op de juiste manier om extra te leren genereren. P>

    p>

    algemeen hoe kleiner de omvang van het product en hoe groter de mate waarin zelflerende drijft de waarde, hoe makkelijker het is om deze voordelen samen te binden om een ​​op hol geslagen leider te maken. p>

    Waar is het mogelijk om deze voordelen met elkaar te verbinden, zal er waarschijnlijk woeste concurrentie, net als bij het netwerk-effecten, voor starters om een ​​eerste voorsprong in de concurrentie om schaal om ontsnapping te bereiken snelheid en word weggelopen leiders gezien de enorme premie op het winnen. De vroege vogel die optimaal gebruik van haar voorsprong in het algemeen krijgt alle wormen. P>

    Andere vogels moeten alternatieve voordelen bootstrappen in de vorm van efficiëntere leren motoren of de toegang tot grote en gedifferentieerde datasets om een ​​kans . p>

    leren Curves: Lang, Steile en Perpetual strong> p>

    om weggelopen leiders in staat zijn om hun leads na verloop van tijd te handhaven, is er een belangrijke aanvullende eis , namelijk dat de leercurve voor hun producten lang genoeg moet zijn en steil genoeg om hen in staat toenemende waarde van het product voor een langere periode aan te bieden. p>

    Als de leercurve voor hun producten zijn korte of top snel af , vroeg leiders zullen max op hen terwijl ze nog steeds levensvatbaar concurrenten, en deze concurrenten in staat in te halen zal zijn. Als de leercurves zijn lang en steil, aan de andere kant, zullen deze bedrijven voldoende landingsbaan om weg te komen van hun concurrenten te breken en hun leads na verloop van tijd te handhaven p>

    Sommige producten -. Name die gebouwd op zeer dynamische datasets – kan eeuwigdurende leercurve zodanig dat in een snel veranderende wereld, kunnen ze altijd zinvol worden verbeterd hebben. Het is rond dit soort producten die de meest waardevolle weggelopen leiders waarschijnlijk zal ontwikkelen. Mogelijke voorbeelden zijn zoeken, semantische motoren, adaptieve autonome systemen en toepassingen die een uitgebreide real-time inzicht in de wereld. P>

    De Interactie van leereffecten en Network Effects strong> p>

    netwerk effecten bijna de gelegenheid te creëren altijd voor leereffecten, omdat ze betrekking hebben op de generatie van steeds meer data in de vorm van nieuwe leden en interacties netwerk. Bedrijven moeten investeren in machine learning om deze leereffecten te creëren, en ze kunnen al dan niet succesvol zijn. Zij kunnen niet aan betekenisvol leren te genereren, of ze kunnen betekenisvol leren genereren, maar die niet leren of dit leren niet resulteren in meer waardevolle producten die leiden tot de voortdurende verwerving van nieuwe gegevens voor bijkomende leren. P>

    Omgekeerd leereffecten kunnen netwerkeffecten te creëren. Tesla, bijvoorbeeld, niet kon profiteren van netwerkeffecten toen was het gewoon een elektrische auto bedrijf en was nog niet gericht op autonome rijden. Echter, zodra het bedrijf uitgerust zijn auto’s met informatie sensoren om autonoom rijden mogelijkheden op basis van machine learning te ontwikkelen, begon het plotseling te profiteren van netwerkeffecten: iedere Tesla werd waardevoller hoe groter de vloot werd p>

    Het is echter belangrijk. , bij het leren van effecten te creëren netwerk-effecten, deze netwerkeffecten niet onafhankelijk van hen bestaan. Ze zijn in feite een uiting van de leereffecten: het leren gebeurt gewoon te laten plaatsvinden via een netwerk. Als Tesla uitgeschakeld zijn machine learning, zou haar netwerk effecten ophouden te bestaan. P>

    Het omgekeerde is echter niet waar. Netwerk effecten kunnen aanleiding geven tot leereffecten die kunnen bestaan ​​onafhankelijk van hen. Facebook’s core-netwerk effect van mensen die willen deel uitmaken van dezelfde sociale netwerk dat hun vrienden zijn, bijvoorbeeld, genereert veel nieuwe gegevens die machine learning modellen kunnen leren van zijn. P>

    Een gebied waar Facebook aanzienlijk heeft geïnvesteerd in machine learning en slaagde er in het genereren van leereffecten is het verbeteren van de relevantie van de newsfeed. Newsfeed belang is een ander type waarde dan de kern waaromheen waarde netwerkgevolgen het bedrijf zijn gebaseerd, hoewel de twee duidelijk elkaar versterken. Als Facebook gestopt met groeien zijn gebruiker Baser, kan het doorgaan met het genereren van steeds meer waarde door het verbeteren van de relevantie van de newsfeed door deze leereffecten. P>

    p>

    Aangezien netwerkgevolgen en leereffecten zijn beide functies klantwaarde, wanneer zij naast elkaar in een product, ze altijd versterken elkaar, aangezien elke maakt het product meer waard op een manier die meer klanten en data trekt p>

    de meest geduchte soorten weggelopen leiders die het sterkst neigen naar natuurlijk monopolie -. Facebook en Google zijn uitstekende voorbeelden – zijn degenen die profiteren van netwerk-effecten en leereffecten die in tandem werken, als hun wederzijdse versterking betekent dat deze bedrijven lopen weg uit het peloton veel sneller en zijn over het algemeen niet te vangen, op voorwaarde dat ze ook profiteren van voortdurende leercurve. p>

    Startups vs. Gevestigde strong> p>

    Zittende internet platforms hebben unsurprisingly de grote winnaars van de machine learning revolutie tot nu toe vanwege hun enorme gegevens activa en hun aanzienlijke investeringen in deze nieuwe technologie. Hun vroege dominantie heeft geleid sceptici af te vragen of machine learning is een spel dat startups helemaal kunnen winnen gezien hun relatieve data nadelen. P>

    Er zijn enorme nieuwe datasets en data-rijke toepassingen die zijn gemaakt elke dag, maar in domeinen waarin deze en andere platforms hebben weinig of geen aanwezigheid, die een overvloed aan nieuwe mogelijkheden voor startups. p>

    in Daarnaast zijn er veel grote datasets zitten in organisaties die startups het meest geschikt zijn om toegang te krijgen, omdat ze beter in staat om deze organisaties te voorzien van innovatieve toepassingen om te profiteren van hen. p>

    en hoewel startups maken niet over de vroege voorsprong in data, ze hebben altijd de voordelen van focus en aanpassingsvermogen. Waar ik denk dat deze voordelen zorgen ervoor dat het grootste verschil in machine learning is dat de machine learning toepassingen zijn motoren, en startups hebben de mogelijkheid om te bouwen en af ​​te stemmen deze motoren meest juist om leereffecten te maximaliseren. Ze hebben de mogelijkheid om niet alleen de hoeveelheid van het leren en dus waarde die ze maken op basis van nieuwe gegevens te maximaliseren, maar om deze lus te voltooien en de hoeveelheid data te maximaliseren in de vorm van nieuwe klanten die ze maken op basis van het nieuwe leren. P>

    Alleen door constant aanhalen en versterken van deze lussen kunnen bedrijven groeien snel van leereffecten en hopen op ontsnappingssnelheid bereiken weggelopen leiders te worden. Als algemene regel geldt, startups vaak beter in dan de gevestigde exploitanten zijn. P> div>