Las nuevas empresas de tecnología de IA nativa pueden capear un invierno nuclear económico

¿No pudiste asistir a Transform 2022? ¡Vea todas las sesiones de la cumbre en nuestra biblioteca a pedido ahora! Mira aquí.

Recientemente, escribí un artículo para VentureBeat distinguiendo entre empresas que están basadas en IA en su núcleo y aquellas que simplemente usan IA como una función o una pequeña parte de su oferta general. Para describir el antiguo conjunto de empresas, acuñé el término "AI-Native".

Como tecnólogo e inversor, la reciente recesión del mercado me hizo pensar en tecnologías que están preparadas para sobrevivir el invierno de la IA, provocadas por una combinación de inversión reducida, mercados bursátiles temporalmente desalentados, una posible recesión agravada por la inflación y incluso la renuencia de los clientes a sumergirse en nuevas tecnologías prometedoras por temor a perderse (FOMO).

Puedes ver de dónde vengo. Creo que las empresas nativas de IA están en una posición sólida para emerger saludables e incluso crecer después de una recesión. Después de todo, muchas grandes empresas nacen durante el tiempo de inactividad: Instagram, Netflix, Uber, Slack y Square son algunas de las que me vienen a la mente.

Pero si bien una empresa nativa de IA no anunciada podría convertirse en el Google de la década de 2030, no sería correcto ni sensato afirmar que todas las empresas nativas de IA están destinadas al éxito.

Evento

MetaBeat 2022

MetaBeat reunirá a líderes de opinión para asesorar sobre cómo la tecnología del metaverso transformará la forma en que todas las industrias se comunican y hacen negocios el 4 de octubre en San Francisco, CA.

registrarse aquí

De hecho, las empresas nativas de IA deben ser particularmente cuidadosas y estratégicas en la forma en que operan. ¿Por qué? Porque administrar un negocio de IA es costoso: el talento, la infraestructura y el proceso de desarrollo son costosos, por lo que la eficiencia es fundamental para su supervivencia.

¿Necesitas apretarte el cinturón? Hay una aplicacion para eso

La eficiencia no siempre es fácil, pero afortunadamente hay un ecosistema de IA que se ha estado gestando durante el tiempo suficiente para ofrecer soluciones buenas y útiles para su pila tecnológica particular.

Comencemos con el entrenamiento del modelo. Es caro porque los modelos se hacen más grandes. Recientemente, Microsoft y Nvidia entrenaron su modelo Megatron-Turing Natural Language Generation (MT-NLG) en 560 servidores Nvidia DGX A100, cada uno con 8 GPU Nvidia A100 de 80 GB, con un costo de millones de dólares.

Afortunadamente, los costos están cayendo gracias a los avances en hardware y software. Y los enfoques algorítmicos y de sistemas como MosaicML y DeepSpeed ​​​​de Microsoft mejoran la eficiencia del entrenamiento de modelos.

El siguiente paso es el etiquetado y el desarrollo de datos, que [alerta de spoiler] también es costoso. Según Hasty.ai -empresa que pretende solucionar este problema- "el etiquetado de datos se lleva entre el 35 y el 80% de los presupuestos de los proyectos".

Ahora hablemos sobre la creación de plantillas. Este es un trabajo difícil. Se necesita talento especializado, mucha investigación y un sinfín de pruebas y errores. Un gran desafío con la construcción de modelos es que los datos son específicos del contexto. Ha habido un nicho para esto por un tiempo. Microsoft tiene Azure AutoML, AWS tiene Sagemaker; Google Cloud tiene AutoML. También hay bibliotecas y plataformas de colaboración como Hugging Face que hacen que la creación de modelos sea mucho más fácil que en años anteriores.

No solo liberar patrones en la naturaleza

Ahora que ha creado su modelo, debe implementarlo. Hoy, este proceso es extremadamente lento, con dos tercios de...