デジタル R&D – AI によるイノベーション プロセス、ft. Kevin See

今回のイノベーション キャピタルのエピソードでは

私たちは、イノベーション プロセスの性質と R&D の組織を再形成できる発明の方法としての AI の影響に焦点を当てています。 AI がイノベーションと発見をどのように自動化するかを調査することで、多くの分野で研究開発を行うためのコストの削減、研究生産性の向上、消費者と株主のためのより多くの価値の創造など、AI の革新的な利点を明らかにします。

今すぐ聞く

エピソードのトランスクリプト

レイ・チョハン： ケビン、イノベーション・キャピタルへようこそ。 本日はお集まりいただきありがとうございます。 はじめに、あなたのストーリーと、どのようにして Lux Research に入社し、AI と R&D の卓越したソート リーダーの XNUMX 人になったのかについてお話ししたいと思います。

ケビン参照: ええ、ありがとう、レイ。 招待に感謝し、ここにいることを嬉しく思います。 私の経歴は、科学者としての訓練を受けています。 私は、センサーからエネルギー ハーベスティングまで、さまざまな用途向けの材料デバイスの開発に主に焦点を当てた博士号とポスドクを取得しました。 そのため、私はラボに深く入り込み、設計、構築、テストを行いました。 その時点で、その学術的な部分をまとめた後、私は新興技術の商業化の道筋に本当に興味を持っていました. 研究室で仲間が取り組んでいるのを見たもののいくつかですが、これらのプロジェクトの多くは彼らにあまり期待できないのではないかとこっそりと疑っていました. それで、テクノロジーの商業化が成功し、最終的に誰かのために何らかの価値を生み出すために何が必要かということに非常に興味を持つようになりました。 それで、その興味が私をLuxに導きました.Luxは、それらの興味を育むのに本当に理想的な場所です. 私たちはテクノロジーの強みを高く評価していますが、実際に商品化するには何が必要かについてのビジネス上の理解と結びつけています。 そこから、私はビジネスモデルをスケーリングして、エネルギー技術、再生可能エネルギー、今日お話しするデジタルや AI などの分野に拡大していきました。 私は、実際に AI 機能を自分たちで開発し、内部化する製品をリードするのを手伝っていました。 だから、とても楽しかったさまざまな役割だけです。

レイ： 2020 年以降に目を向けると、私たちは、特に機械学習がイノベーション プロセスに実際にどのように影響を与えるかという輝かしい時代に突入しつつあると感じています。 しかし、今後の見通しについて詳しく説明する前に、今後 XNUMX、XNUMX 年間で、過去 XNUMX 年間の専門的な洞察と、どのようにして私たちが目指す段階に到達したかについてお聞きしたいと思います。 R&D とイノベーションにおけるデジタル ジャーニーを強化します。 ケビン、私たちを今日の場所に導いた背景的な背景や、ある種の歴史的な追い風はありますか?

ケビン： ええ、いい質問だと思います、レイ。 それはデジタルをどのように定義するかに大きく依存すると思います。 デジタルは多くのことを意味します。 それは発見のための AI を意味するかもしれませんが、これはおそらくそれのセクシーなバージョンです。 しかし、イノベーション パイプラインを管理するためのツールなど、より運用的なものになることもあります。 つまり、全体として、私たちはまだかなり初期の段階にあると言えます。 間違いなく進歩があり、間違いなくパイロットがいます。 彼らは新しいことを試みますが、R&D プロセス内の自動化という壮大な野心は、ほとんどの場合、実際には誰もそこにいません。 孤立したパイロットを試している人や、そのようなさまざまなことを目にします。 他のデジタル ツールは、もう少し高度で、実際に知識を管理したり、アイデアのパイプラインを管理したりするものです。 繰り返しますが、デジタルを実際にどのように定義するかにもよりますが、それはこの積極的で世界を変えるアプローチですか? それとも時々平凡ですか？ プロセスを管理しますか? それは本当にあなたがそれをどう見るかにかかっています。 しかし、私たちは今、デジタルのより破壊的なアプリケーションのいくつかを見始める段階に入っていると本当に思っています.

レイ： 我々が最初のイニングにいると言うのは公平ですか？ そうでない場合、そこに到達するという点で、私たちはその旅のどこにいるのでしょうか?

ケビン： その特定の側面について言えば、私たちは本当に黎明期です。 パイロットを試したり、機械学習を試したりする人々を再び目にします。 興味のある事柄に関連する興味深い論文を見つけるにはどうすればよいですか? そのようなことが起こり始めていますが、自動化された手段や情報に基づいたデータや分析で、信号検出やアイデア生成などを実際にスケーリングするという点では、私たちは本当に初期段階にあると言えます. そして、そのあいまいなフロントエンドを本当に積極的に推進している人はまだ見たことがありません。

レイ： では、たとえば 90 年代のインターネットの例えを使用する場合、実際の機械学習に関して言えば、私たちは何年にいますか? そして、そのあいまいなフロントエンドに本当に革命を起こしているのですか、ケビン?

ケビン： ええ、そのフロントエンドに関しては、つまり、これは私が何歳かを少し伝えるものです. しかし基本的には、大学に入学したときのことを覚えています。それは実際にイーサネット接続の始まりであり、T1 はインターネットの力に私たちの目を開いたのです。 そして、それは本当に未知の領域でした。 あいまいなフロント エンドでの着想という点でかなり確立されたプロセスを実際に採用し、可能性を探り、ツールがそこにあることを本当に知っているが、その方法を十分に理解していないという点で、これはおそらく私たちが現在いる場所の良い類似物だと思います。それらを使用するか、またはそれらができること。 だから、それは間違いなく初期だと思います。

レイ： ああ、わかりました。 ケビン、あなたはいくつかの思い出を呼び戻しています、T1コネクションを持つ私の友人。 ですから、それはおそらく年配のリスナーである一部の人々にとっては良い文脈です。 つまり、成熟度に関しては、おそらく96フィート97フィートです。 それは私たちが言うのは公平ですか？

ケビン： うん。 タイムラインに関しては、それはかなりの類似物だと思います。

レイ： 素晴らしい。 そして、いくつかの先駆者に関しては、ケビン、あなたの研究のいくつかを見たので、AI、機械学習、ディープニューラルネットが実際にそれをどのようにサポートしているかについて、いくつかの組織が実際に針を動かしているいくつかの興味深いケーススタディを強調しています.ファジーフロントエンドであろうと、サイクルの後半であろうと、イノベーションプロセス。 市場に大きな波紋をもたらしたと思われるお気に入りのケース スタディはありますか?

ケビン： ええ、それほど多くはないと思います。私たちが議論しているファネルのアイデアとフロントエンド部分には、多くのプレーヤーがいます。 確実に出てくる選手はいます。 彼らは面白い仕事をしています。 両社ともそこで面白い仕事をしていると思います。 しかし、より成熟しているのはファネルのさらに下にあると思います。これはマテリアルズ インフォマティクスのようなもので、自由に使える大量のデータを使用して、次に何を作れば、私が欲しい？ このように、私たちの調査や仕事の中で、多くの興味深い企業を見てきました。 飛び出すのは、シトリン・インフォマティクスのような人で、そこで興味深い仕事をしています。 しかし、その構想のフロント エンドの部分に関しては、現場の科学者に役立つ適切なツールを開発する方法を実際に試している、まだオープンな競技場だと思います。 面白い作品がたくさんあると思います。 しかし、ご存知のように、特異なリーダーがまだ出現したとは言えません。

レイ： 魅力的です。 マテリアルズ インフォマティクスの分野について言及されましたが、それは私たちが深く情熱を注いでいる分野です。 そして、ええ、私たちはシトリンとボストン地域の他の数人がそのスペースで行っていることを気に入っています. では、より広い意味で、目標到達プロセスのさらに上の段階でより多くの進歩が見られると言うのは公正ですか? では、プロジェクトのライフサイクル管理の領域に入ると、開発や立ち上げの段階よりも、ワークフローに深く入り込み、AI の影響が見られるようになりますか?

ケビン： ええ、それはあなたがそれについてどう考えるかにかかっています。 マテリアルズ インフォマティクスを入れると、ファネルの段階をどのように定義するかにもよりますが、あなたは正しいと思います。実際の発見に段階的に進み、私が取り組む予定のことは何か、そしてそれをより積極的に推進します. ですから、間違いなくもっと多くのことが起こっていると思います。 プロジェクト管理やライフサイクルなどに立ち返ると、AI は必ずしも必要ではないことがお分かりいただけると思います。 ですから、それは確かにデジタルのケースだと思いますが、ご存知のように、企業のパイプラインを管理したり、プロジェクトのパイプラインをより効率的に管理したりするために、必ずしも AI は必ずしも必要ではありません。 つまり、目標到達プロセスのどの側面にいて、どのツールに最も関心があるかがわかりますか? おそらくこれに戻ると思いますが、重要なことは、AI が常に適切なツールであるとは限らないということです。 すべての問題を解決するために常に AI が必要なわけではありません。 ぶら下がっている果物もあるということを覚えておく必要があると思います。

レイ： 興味深いことに、トピック モデリング、NLP、およびそれがファジーなフロント エンドに実際に変化をもたらす可能性について話している魅力的な研究を発表しています。 しかし実際には、市場を見ると、現時点ではほとんど活用されていません。 今年は、特に COVID により加速要因があり、R&D がこれまで以上にリモートで行われていると思いますか? 2020 年に発生したイベントで、トピックのモデル化と内容の重複に関して促進剤が見られるものはありますか?

ケビン： ええ、私はCOVIDを必ずしもイネーブラーまたはアクセラレーターとは見なしていません. まさにその時点で、私たちは弱信号検出またはアイデアの早期検出と呼んでいます。 明らかに、それらのいくつかで、ワクチンや創薬などの大きな明白なものを見てきましたが、これも少し下にあります。 信号検出は、あなたが探している場所ではありません。私は何に取り組むことができますか? 繰り返しになりますが、NLP、トピック モデル、または分類子などを使用したこれらのパイロットのポケットの一部は、研究グループまたは企業が関心のある論文を見つけたときに、これらの AI ツールの一部を実際に使用して、 ; この 2020 つのトピックに対する私の関心に基づいて、検討する価値のある、このような他の論文は何ですか? つまり、ここで、自分にとって何が興味深いかを認識することができます。 一部の大企業やその他の企業が、これらのツールをもう少しいじり始めていると聞いています。まだ大規模なインフラストラクチャに組み込まれているとは言えませんが、これらのツールのいくつかを検討している人はいます。 XNUMX 年の出来事がその特定の使用を必ずしも加速させたとは思いません。特に企業が AI についてより洗練されてきており、AI をどのように使用できるかを理解しようと試み始めているのは、まさにこの進化だと思います。

レイ： そして、顧客側からは、哲学の観点から何を見ていますか? ビルドですか、ホームグローですか？ それとも購入またはパートナーですか？ 特定のセクターがダウンしているのを見ているのは何ですか? 私たちは混合物を見ているので、あなたのレンズを手に入れたいです.

ケビン： はい、ミックスも見られます。 これは、多くの企業にとってかなり厄介な状況になる可能性がある場所だと思います。 彼らの強みは必ずしも建物にあるとは限らないからです。 科学者向けのエンタープライズ ソフトウェアを構築するようなものです。 しかし、それは挑戦的です。 これは、非常に要求の厳しいユース ケースと対象ユーザーです。 そして、あなたが見ているのは、企業がソフトウェアやツールを開発するためにIT部門を持ち込むことがありますが、ユーザーインターフェイスやその他のものがあまり良くない場合があります. そして、彼らを社内で牽引するのは難しい。 したがって、内部の専門知識を活用することには価値があると考えています。 その場合、顧客は基本的にそのことをよく知っています。 しかし、これらのソリューションを提供するための最適な設備が整っているとは限りません。 そのため、主にそれが原因で、人々が使用しないものを作成するといういくつかの失敗を見てきました。 この場合、またはパートナーを購入することは理にかなっています。 そして、それはさまざまな種類のパートナーになる可能性があります。 それを構築するのに役立つ巨大な企業があり、新興のプレーヤーがいますが、重要な部分は、AI とデータ サイエンス データ サイエンス機能の混合を見ていることです。まず、すべての企業が持っているわけではありません。 実際、そのスキルセットは非常に需要があります。 そして、そこで強い人を見つけるのは難しいです。 しかし、多くの場合、ソフトウェアも構築しています。 つまり、裏でデータ サイエンスを実行し、データを処理して結果を吐き出すだけではありません。 それは実際に、人々が使用しなければならないインターフェースやものを構築しています。 繰り返しになりますが、これらは必ずしもさまざまな業界の企業が得意とすることではありません。 ですから、その程度まで、私たちはそれについて尋ねてきたクライアントに人々を押し付けようとしました. 個人的には、パートナーからその専門知識を得て、社内に存在する知識と確実に統合することは理にかなっていると思います。

魅力的です。 大規模なファンドである企業が、データ サイエンスへの取り組みを拡大し、その人員を拡大しようとしているという機運について、あなたは言及しましたか?

レイ： データサイエンスや意思決定科学に関する議題を実際に推進し、その内部能力を実際に強化しようとしている業界またはサブセクターの観点から、ハイパーグロースの一部をどこで見ていますか?

ケビン： ええ、それは非常に大きな努力です。 それは本当に製造業の周りにあります。 ある程度、それはよく知られた最適化問題です。 したがって、予知保全や品質などにデータ サイエンスを投入することは理にかなっています。 それは、ニーズやユースケースの観点から彼らが理解しているものです。 彼らはデータ サイエンスをもたらし、それがサプライ チェーンの製造であろうとなかろうと、その特定の一連のユース ケース内でイノベーションを起こすことができます。 必ずしもアイデアが製品に変わるわけではなく、イノベーション ファネルと考えることもできます。 しかし、例としては、それは展開、または内部での運用上の使用に変わるという考えです。 しかし、データ サイエンティストがそのアプリケーションに需要があることは確かです。なぜなら、それはよく知られた問題であり、よく理解されており、組織にとってすぐに利益が得られる可能性があるためです。 ですから、それは間違いなく、そのデータサイエンスの才能を引き出すための一種の騒ぎが見られる場所です.

レイ： また、データ サイエンスがステージ ゲート プロセス、または一般的には R&D およびイノベーション プロセス全体に意味のある影響を与えるブルー オーシャンはどこにあると思いますか?

ケビン： ええ、たとえば、材料の発見は、本質的に製薬業界から学んだことだと思います。製薬業界は、創薬などの AI の点でもう少し進んでおり、それを他の類似のタイプの業界にインポートしています。 特定の特性を持つポリマーを開発するようなものです。 それはまた、背景の観点から私の心に近い、大切な領域だと思います. しかし、すべての記事、すべての論文、すべての実験結果を活用することは非常に影響力があると思います。 そのデータを構造化して処理することができれば、それを、必要な特性を持つものの発見、設計、生産を加速させることができます。 ですから、これは AI の特に興味深いアプリケーションだと思います。

まったく別の面で。 CPG の世界や消費財の世界には、実際に AI を使用してエンド ユーザー (この場合は顧客) をよりよく理解し、それをイノベーション ファネルに少しずつ戻すことができる消費財の世界に多くの関心があると思います。 では、私の顧客ベースで見られる傾向は何ですか? まとめることができるさまざまなデータセットは何ですか? 引き出せるパターンは？ 次にデザインする製品にどのように情報を伝えることができるでしょうか? そこには一種の好循環が見られます。そこでは、顧客に関するより多くのデータを収集する AI と IoT を組み込んだ製品を広範囲に設計し、それをフィードバックします。つまり、エンドユーザーを本当に理解するこの能力が見られます。そして顧客はよりよい。 それは、製品開発サイクル全体をより効率的かつ効果的にするだけだと思います.

レイ： 面白いことに、あなたはマテリアルズ インフォマティクスの分野について数回言及しましたが、それは私たちの心に非常に近い分野でもあります。 それは、ML がさまざまな業界の材料科学チームに実際に変化をもたらすという点で魅力的な分野ですか? バイヤーやそのような能力が私たちの取締役会で本当に得ているところで、良い感情やフィードバックを得ていますか?

ケビン： ええ、あなたが適切な会社の適切な人と話しているなら、私は言います. 明らかに、この場合、私たちは化学物質と材料部門について話している. 彼らは、それが低分子であろうと複合材料であろうとポリマーであろうと、次の製品を設計することがどれほど難しいかを知っています. 私は実験室でこれらを自分で設計しようとしてきましたが、それは難しく、試行錯誤と推論がありました。 そして、それが機能する場合、これは大きな可能性であり、リソースをどこに配置すべきかをより適切に通知するために既存のすべてのデータをふるいにかける機能は、企業にとって大きな付加価値であるということは間違いなく理解されています. 製品を提供するまでの時間を短縮し、R&D コストを削減し、多くのメリットがあります。 ですから、それは厳しい顧客基盤だと思います。 彼らは長い間、一方通行で物事を行ってきました。 しかし、デジタル ツールを使用して、その特定のユース ケースを促進し、促進しようとする欲求が高まっていることは確かです。 うまくいけば素晴らしいことですが、おそらく創薬ほどのスケールではないでしょう。 収益性の高い製品をより早く入手できれば、非常に大きな付加価値になります。 それが、人々が本当に惹かれていることです。

レイ： ええ、興味深いですね、あなたは創薬分野に進出しましたね。 繰り返しになりますが、特に過去 24 か月間、この分野でいくつかの素晴らしい進展が見られました。市場では、哲学的な購入と、ベンチ レベル、発見段階、さらにはさらに上の段階で ML を展開する熱意が実際に見られます。医薬品開発サイクルで。 今後 XNUMX ～ XNUMX 年で、その地域で簡単に達成できることについてどう思いますか? 本当に目を引く素晴らしい例はありますか? また、AI を活用したインテリジェントな創薬を検討した場合、説得力のある成長の機会はどこにあると思いますか?

ケビン： ええ、これは私がほとんどの時間を費やして見ている分野ではありませんが、市場を観察し、モデルナのようなものを見て、企業全体の一部としてデジタルと AI をどれだけ重視しているかという観点からです。戦略、会社の構築。 そして、それは明らかにワクチン開発やその他の分野で成果を上げています。 これは、COVID がその発見プロセスをデジタル化する真の価値を示した例です。 ですから、そのような急性で明白なものがいくつかあります。 全体として、業界またはセクターとして、非常に膨大なデータセットがあると思います。 そのため、遺伝子データは、取得が容易になり、テストと合成が容易になりつつあります。 これらのタイプのデータセットと臨床転帰、つまり上流の物事と患者の転帰とを実際に相関させることができるこのアイデア。 途方もない量の機会があり、それを活用して前進しています。 非常に広く普及していると思うので、特定のアプリケーションを XNUMX つ選ぶのは難しいでしょうが、そのデータが膨大であるという理由だけで、その特定の問題に惹かれていると本当に思います。 おそらくこれについては詳しく説明しますが、実際には、得られる洞察の質は、入力するデータに大きく依存します.そして、AIを使用した創薬はかなり機が熟していると思います.

レイ： あなたが言ったように、そのデータ品質の部分と、正規化に関するその全体的な厳密さは魅力的です。 私たちはその感情をよく耳にします。 つまり、ML モデルを構築することは XNUMX つのことですが、家を整理して実際に退屈なものを用意し、クラス最高の方法でデータ操作をセットアップする必要があります。 その最前線の組織はどこに見えますか? 企業は、機械学習や、NLP やトピック モデリングなどの ML のサブセクターからの価値を実際に最適化する準備ができていると思いますか? それともまだ旅ですか？

ケビン： それは間違いなくまだ旅です。 そして、大多数の企業は、保有するデータを活用するための適切な立場にあるとは言えません。 そのため、データを私のブラック ボックスにプラグインして貴重な洞察を引き出すのに役立つパートナーやベンダーを呼び込むという問題に直面するのです。 彼らは、入力されるデータの品質が悪い、または構造が不十分である、ラベルが不十分であるなどの場合、結果も同様であることにすぐに気付きます。 したがって、ダーティ データはダーティな結果と同じです。 そして、誰もが AI を使いたいと思っているのに、良い結果を得るためにデータの観点から準備するのに必要な作業量を必ずしも認識していないというフラストレーションがここにあると思います. 私の経験では、企業や、NLP などのこれらのツールの使用に関心を持っている他の人々と話をすると、一般的に、それを適切に行うためのデータ入力のボトルネックに突き当たります。 したがって、ラボのノートであれ、論文などの外部データであれ、所有しているデータ セットをクリーンアップするだけで、多くのコストを割り当てて準備する必要があります。できる。 巨大な問題。 そして、それが大きなボトルネックだと思います。

レイ： 興味深いことに、あなたはそれについて言及しました。 それで、ベイエリアにscale.aiというグループがあります。 そして、彼らはすべての大手自動車メーカー、特にテスラ以外の伝統的なプレーヤーの一部が自動運転車への旅を可能にするために家を整えるために、本当に魅力的な仕事をしています. そのため、いくつかの企業がその面で本当に優れたパートナーであることがわかります. しかし、他の業界を見ると、化学分野、製薬、FMCG、または IT 分野に目を向けています。 データ側の実際の問題は何ですか? 幹部の賛同ですか？ それは単なるレガシー インフラストラクチャと配管ですか? これらの組織が ML からの価値を実際に最適化するためにデータのクリーン度を最適化するには、今後数年間で何をする必要があると思いますか?

ケビン： これは、解決すべき問題を真に理解し、それを解決するために何が必要かという点で、大規模な組織で見られる機能不全のいくつかをほぼ物語っています。 そして、それは大企業に限ったことではありません。 これは、多くの組織にとって問題だと思います。 しかし、これらのイニシアチブがメッセージで伝えられたり、開始されたりするとき、実際にどれだけ困難になるか、どのレベルの結果が期待できるかについて、常に透明性があるとは限りません。 ですから、私は多くのイニシアチブが開始されたと信じており、実際には多くのデューデリジェンスなしで、必然的にそれがどれほど困難になるか、またはどのような結果が予想外であるかについても見てきました. 極端な例としては、「AI を使ってみましょう。AI は AI ですから、どうなるか見てみましょう」ということになります。 そして、ほら、ますます人々はそれよりも洗練されてきています。 しかし、確かに初期の「引用しても引用しなくてもよい」デジタル トランスフォーメーションの時代には、問題を選択し、適切なツールを選択するという厳格さはあまり見られませんでした。 つまり、データの問題を持ち出すと、基本的には組織が実際には統合されておらず、前に話したように、それらの良い結果を取り戻すために何が必要かを理解していることがわかります。 そのためには、真のコストを本当に理解する必要があると思います。 費用は？ そして、本当に費用対効果は？ それで、私が入れなければならない仕事は何ですか、セクシーなベンダーxを持ち込むことができますが、どのくらいの仕事ですか？ また、自分のデータをブラック ボックスに入れて結果を出す前に、自分のデータをクリーンアップするだけでいくら請求されるのでしょうか? ですから、それがどれほど困難になるかを正確に理解していないことがよくあると思います。 あなたが指摘したように、それは純粋にそのデータが存在する場所である可能性があり、システムのさまざまな部分または組織のさまざまな部分からのデータセットを統合する可能性があり、あらゆる種類のインフラストラクチャの問題である可能性があります. したがって、そのデータ管理の部分は、人々がよく理解するよりも困難です。

レイ： その面で本当に針を動かしていると思う企業や業界はありますか? AIブラックボックスを本当に真に取り込み、価値を実際に最適化できる準備を改善しているのは誰ですか. あなたの目を引く彼らのセクターは、その分野で先駆者になる可能性がありますか?

ケビン： ええ、繰り返しのように聞こえるかもしれませんが、製造業は、人々がさまざまなシステムからデータを引き出して統合することに集中し始める場所だと思います. したがって、ここで必ずしもすべてのプレーヤーについて説明するわけではありませんが、私のインフラストラクチャにはこれらすべての異なるベンダーの機器があり、それらすべての異なるシステムにプラグインしてすべてのデータを XNUMX つにまとめる方法があるということは理解されていると思います。最終的には、それが AI であろうと他の分析アプローチであろうと、より多くの興味深いことを行うことができます。 ここでも、人々が問題の課題を理解しているだけでなく、適切なデータを引き出すための適切なコネクタを持つことで解決に向けて動き始めている特定の場所の XNUMX つです。 繰り返しになりますが、これはジャーナルの記事や R&D の何かを見るのに比べて、アプリケーション ファネルのかなり下の方にあります。 そうです、これらはかなり異なるユースケースです。

レイ： データ運用が整っていて、それに関して厳密な品質管理を行っている企業を見た場合、真の価値が実現されているのがわかりますか? 一部のサブセクターがその価値を実際に認識し、一部のサブセクターが誇大宣伝されているが、研究開発に展開されている AI の意味のある価値を実際には認識していないという興味深い瞬間が見られるためですか? 真の影響という点で、市場で目にしている結果にはどのようなものがありますか?

ケビン： ええ、ケーススタディに加えて、ご存知のように、ワクチンの発見などのこれらの大きな明確な価値や、以前に話したようなものは、ほとんどの伝統的な物理的産業では、製薬ベースではありません. これが AI からの大きな勝利であるとはまだ見ていません。 できないからではないと思いますが、組織の壁があるだけだと思います。 繰り返しになりますが、正しい問題を選択していますか? 適切なツールを選択していますか? 大きな勝利を収める前に、小さな勝利を収めていますか? 小規模での成功を伴う、これらのよりエンタープライズ規模のソリューションのいくつかを構築する方法があると思います。 そして、これらの小さな勝利を最初に特定し、成功の可能性を実際に最適化または増加させることについて、体系的な人々がどのようにしてきたかはわかりません. 特にこの場合は、大きく勝つ前に小さく勝たなければならないからです。 ですから、解決しようとしている問題について真剣に考える余地は確かにあると思います。 私がこのような論文を見つけたいと思ったところで私が挙げた例を知っているでしょう。実行するという点ではそれほど大きくはありませんが、科学者がトップに集中できる方法で実際にそれを行えば、かなりまともな投資収益率になるかもしれません。 10枚。 ですから、問題の規模についてもっとよく考える方法があると思います。解決しようとしていることを選択し、それについてよく考えてください。

レイ： それもわかります、ケビン。 人々が海を沸騰させようとするという誇大宣伝がたくさんあります。 深い第一原理について考えることはあまりありません。指摘された問題を見て、それをうまくやってみましょう。 ですから、興味深いことに、あなたは、人々が本当に熱心な市場での感情も聞いているので、彼らはそれを理解し、潜在的な基本的な価値を理解していますが、物事を赤ちゃんのステップで進めることにはずれがあると言いました。 そのため、AI がイノベーション プロセスに導入されていることをめぐって、規模を拡大する前に混乱が生じています。 それは結局何に帰着すると思いますか? その第一原理を実際に見てみると、それは人々ですか? 彼らが提供するものをどのように位置付けているかという点で、それは市場のベンダーですか? このような市場の混乱の背景にはどのようなものがあるのでしょうか。

ケビン： ええ、大企業に焦点を当てている場合、この場合、彼らは一般的に迅速に行動したり、新しいものを採用したりするのが苦手です. 彼らが賢くないからではなく、新しいことを試すのに組織的な障害がたくさんあるというだけです。 特に保守的な業界では。 したがって、ほとんどの場合、これらの企業はデジタル ネイティブではないと思います。 そのため、彼らは AI について多くのことを学ばなければなりません。 それは何をしようとしていますか？ 教師ありと教師なしの機械学習の違いは何ですか? 私が解決している問題にとって、それはどのように重要ですか？ そして、それらのすべてが早い段階でこれらの質問に効果的に答えて、正しい方向に向けることができるわけではありません. ですから、教育だけでも多くの側面があると思います。 これらの組織のいずれかに入ると、あらゆるニュアンスを理解している最先端の非常に賢い人々を見つけることができるからです。 これらの組織にいるような人々がいるでしょう。 これらの幅広い機能を連携させて一緒に実行することです。 大規模な組織では、これは非常に複雑な問題です。最高レベルで、組織全体から、日々実際に仕事をしている人々に至るまで、賛同を得なければならないからです。 ですから、そのようなビジョンの統一を得て、それを一緒に効率的に実行します。 ただ大変です。 多くの人が慣れていない可能性のある AI のようなテクノロジーでは、どちらかといえば難しいです。

レイ： わかった。 基本的にはそうらしい スタッフ、最も単純な形式で。

ケビン： ええ、要約すると、人は複雑です。

レイ： だから、今はそれを楽しんでください。 データの最前線で、ほとんどの業界が家を整え、人々が整列し、データサイエンスの能力が整っている世界を想像してみてください。 ユートピアはどのように見えますか？ 機械学習、AI、コンピューター ビジョン、AI のその他のフォーム ファクターがイノベーション プロセスを実際にどのように変革できるかについて、青空のような、非常に魅力的な機会は何ですか? あなたたちがいつも注目していて、あなたを本当に興奮させている聖杯は何ですか?

ケビン： 私にとって興味深いのは、価値のある製品をより速く作ることができるかということです。 少し退屈に聞こえるかもしれませんが、製品が医薬品であれ、コーディングであれ、デバイスであれ、どの業界に属していても、このより価値のあるバージョンのより良いバージョンを顧客に提供できますか? ? そして、私はそれを速くすることができますか？ ある時点で、より平等な競争の場が生まれるだろうと考えているので、明らかに勝者と敗者、そして他の人よりも優れた人々がいるでしょう. しかし、AI はかなり民主化されるでしょう。 つまり、やろうと思えば誰でもできるということです。 したがって、本当に成功を収めている企業は、データから得られる洞察を AI アルゴリズムに変換し、より価値のある興味深いものを実際に構築しています。 たとえば、消費者としての私にとっては、私にとってより有用なより良いものを持っていて、それらがより頻繁にまたはより頻繁に出てくるか、または私により多くの価値を提供してくれること、それが私たちが期待できることだと思います. 私はそれが起こると思います。 それはどのセクターに依存するか、どの業界に依存するかだけです。 しかし、誰もがこれをうまくやれる世界を本当に思い描いているのであれば、バックエンドでより良いものを手に入れる必要があります.

レイ： AI が R&D プロセス全体にどのように影響を与えるかについて、非常に急速に変化しているマクロの追い風はありますか? たとえば、エッジ コンピューティングに関するいくつかの非常に興味深い開発が見られます。また、Nvidia のような素晴らしいビジネスや、ARM と Nvidia の巨大な合併の可能性により、大規模な AI の有効化に関しては、エンド ツー エンドのスタックが実際に作成されています。 . これは一例にすぎませんが、AI 主導の研究開発のビジョンを加速するための力を実際に倍増させる、他のマクロな追い風はありますか?

ケビン： エッジコンピューティングで興味深いものを指摘されたと思います。 大量の計算能力は必要なく、エッジで AI からより迅速に洞察を得ることができます。 それは魅力的だと思います。 マクロの追い風に関して言えば、AI が変革をもたらす可能性があり、それが実現しつつあるということは、一般的に理解されていると思います。 ですから、政府の政策や規制が導入されたり、AI 開発をサポートしたりしているのを見ていると思います。 たとえば、中国では確かにそれが見られます。 これらの政府の一部は、これらのテクノロジーの適用の影響を認識し始めており、これを絶対に前進させ、産業の成長を支援し、動機付けに役立つと思います.AIとR＆Dの適用だと思います. ですから、市場の力だけでなく、これらを前進させることができる規制の力もあると思います。 しかし、シグナルを探している場合は、LinkedIn にアクセスして、タイトルにデジタル トランスフォーメーションが含まれているすべての人を調べてください。 これらの機能、これらの仕事、これらのものは、マーケティングだけでなく、従来のテクノロジーだけでなく、あらゆる種類の業界であらゆる場所に出現しています。 しかし、ポンプを製造している企業や、さまざまなことを行っている企業は、これらの技術がいかに破壊的であるかを理解しているだけでなく、さまざまな業界にも及んでいます。 だから、あなたはそれが増殖し続けるのを見るだろうと思います。

レイ： ええ、ケビン、LinkedIn で簡単な検索を行うことについてのあなたのシグナルが大好きです。 ここ PatSnap では時々それを行います。 ケビンさん、イノベーションについて文字通り検索したところ、その数字は驚くべきものでした。 意思決定科学やデータ科学などの他の分野と比較してそれらをベンチマークすると、いくつかの焦点を絞った結果が得られました. 差し迫った波に誰もが本当に興奮しました。 雇用創出は、潜在的なソフトウェア カテゴリとテクノロジー カテゴリへの大きなシグナルだと思います。 だから、例としてそれが好きです。 では、ケビン、ディズニーランドの想像力豊かな状態に入りましょう。 では、2028 年に私たちがここに座っていたとしたら、AI がイノベーション プロセスをどのように進化させてきたかという点で、私たちはどこにいると思いますか? または、影響という点で、私たちはどこにいると思いますか?

ケビン： ええ、これに戻ると、イノベーション プロセス全体について考えることができます。それは、アイデアを考えているフロント エンドから始まります。 2020 年までには、実際にこれを確実に実行するためのツールをエンタープライズに展開するケースがさらに増えると思います。 前に話したように、私たちが初期の段階にある場合は、成熟し、人々が過去の失敗から学び、次に取り組むものを選択するためのより良い方法とより体系的な方法の実装を確認する必要があります。 . そこに進歩が見られなかったら、がっかりすると思います。 つまり、具体的な測定値を探しているのであれば、成功した製品につながるイニシアチブの数の測定値がありますが、それは良くありません。 振り返ってみると、私の期待と希望は、XNUMX 年以内に、アイデアから価値へのヒット率または成功率が上昇し始めることです。 組織がそのような何らかの指標で真の上昇を確認し始めるのを目にするはずです。そうでなければ、この実験は失敗だったと言えます。

レイ： それは間違いなく、私たちも本当に興奮しているビジョンです。 構造化されていないデータがすべて接続された合流点が得られる、分析主導のイノベーションに関するこの全体の部分。 さまざまな非構造化データを使用し、それらをリンクして先見性を収集することについての市場の理解と受容に関して、私たちはその最前線でどこにいると思いますか. その面での開発に関して、私たちはどこにいると思いますか?

ケビン： 私はまだその初期の段階にあると思います.私はあなたと私がこのRayについて長い間話すことができると思います.データ自体が最終的な解決策になるという信念です. つまり、切断は実際には、実際にはデータを探していないと思います。 それは目的ではなく、目的は洞察です。 次に何をすべきかを教えてくれる何かが欲しいのです。 自分が取り組んでいるものをどのように取り入れて、より成功させるには? ですから、私が見ている切断は、XNUMXつの端からこれに到達する必要があり、あなたが話しているデータ統合の観点からこれに到達する必要があり、そこで起こっている多くのクールなものが急速に改善されていると思います. しかし、私はそれをループ内の人間、そのスペクトルの反対側にいる適切な人物と組み合わせて、データを解釈し、それらの傾向を解釈し、その洞察を引き出し、あなたが想定されていることは何でも達成できると思います次に行います。 最先端のデータ ツール、最先端のアルゴリズム、トレンド、予測、予測、そしてそれらの洞察に基づいて知識に基づいた意思決定を実際に行うことができる人々を組み合わせて、このギャップを埋める必要があると思います。 このXNUMXつをより効果的に結合する余地があると思います。 ですから、私たちはそのすべてにおいて大きな進歩を遂げていると思います。 さまざまな場所に専門家がいて、データが来ています。どうやって彼らに参加し、必ずしも彼らの間の競争にするのではなく、それらをより良く連携させるというより統一された目標にします.

レイ： では、ループ デッキで人間について言及したとき、ケビン、特定の企業の市場インサイト チームや、潜在的に機械学習が彼らの仕事の一部を置き換えることによって脅迫されているフォーサイト チームがどこにあるかについて触れていますか? では、そのような文化的抵抗があるのでしょうか。 それとも挑戦ですか？ それとも、テクノロジーを根本的に理解しているだけですか？ 機械学習の非構造化データとループ内の人間が相乗効果を発揮するという聖杯のギャップを埋めるにはどうすればよいでしょうか?

ケビン： おっしゃる通り、両方だと思います。 確かに脅威、または脅迫的な側面があります。労働力の自動化、または AI と将来の仕事を調べて、仕事を奪うという恐怖についてどれだけの議論があるかを確認するだけで済みます。 もちろん、一部の仕事は置き換わるでしょうが、自動化について話すとき、それは自然な反応です。これは、私たちがここで話していること、つまり洞察の自動化の大きな推進力です。 もちろん、これは、データに基づいて洞察を生成して解釈する仕事をしている人々にとっては脅威です。 ですから、人々の専門知識を脅かす、個人的な観点からの脅威は間違いなくその障害になると思います。 しかし、私がこのループの部分で人間を本当に信じているのは、特に科学に基づいた組織で働いている場合、アルゴリズムを盲目的に信頼することは決してないということです. 科学者として、私はそんなことは決してしません。どれだけ説明されても、どれだけ厳密に開発されても気にしません。優れた科学者は、提示された結果について常に懐疑的です。 そのため、できればそのイノベーターに力を与えることができるように、常にそのギャップを埋める必要があります。 先見の明のある人であろうと科学者であろうと、私の立場はこれにあると思います。この一連のテクノロジーは、人々、つまり私たちがすでに持っている賢い人々にスーパーパワーを与えるためにそれをどのように使用するかということです。それらを置き換えます。 物議をかもしたり、他の視点とは異なるかもしれないことは承知していますが、それが私が今後最も受け入れたいビジョンであると信じています.