디지털 R&D – AI를 통한 혁신 프로세스, Kevin See 제공

Innovation Capital의 이번 에피소드에서

우리는 혁신 프로세스의 본질과 R&D 조직을 재구성할 수 있는 발명 방법으로서 AI의 영향에 초점을 맞춥니다. AI가 혁신과 발견을 자동화하는 방법에 대한 탐구를 통해 많은 분야에서 R&D 수행 비용 감소, 연구 생산성 증가, 소비자와 주주를 위한 더 많은 가치 창출을 포함하여 판도를 바꾸는 이점을 발견할 것입니다.

들어라.

에피소드 스크립트

레이 초한: Kevin, Innovation Capital에 오신 것을 환영합니다. 오늘 여러분을 모시게 되어 기쁩니다. 어떻게 Lux Research에 입사하게 되었고 AI 및 R&D 분야에서 뛰어난 사상가 중 한 명이 되었습니까?

케빈 씨: 그래, 고마워, 레이. 초대에 감사드리며 이곳에 오게 되어 기쁩니다. 제 배경은 과학자로서 훈련을 받았습니다. 저는 센서에서 에너지 하베스팅에 이르기까지 다양한 응용 분야를 위한 재료 장치 개발에 중점을 둔 박사 학위 및 박사후 과정을 수행했습니다. 그래서 저는 연구실 깊숙한 곳에서 디자인하고 구축하고 테스트했습니다. 그 시점에서 학문적 부분을 마무리한 후 저는 신흥 기술의 상용화 경로에 정말 관심이 있었습니다. 동료들이 연구실에서 작업하는 것을 보았지만 이러한 프로젝트 중 많은 수가 그들에게 큰 가능성이 없을 수도 있다는 은밀한 의심도 있었습니다. 그래서 저는 기술 상용화가 성공하고 궁극적으로 누군가를 위한 가치를 창출하기 위해 필요한 것이 무엇인지에 대해 매우 관심을 갖게 되었습니다. 그래서 그 관심이 저를 Lux로 이끌었고, Lux는 그러한 관심 중 일부를 육성하기에 정말 이상적인 곳이었습니다. 우리는 기술의 강점을 중요하게 생각하지만 실제로 물건을 상용화하는 데 필요한 것이 무엇인지에 대한 비즈니스 이해와 결합합니다. 그래서 거기에서 저는 비즈니스 모델을 확장하여 에너지 기술, 재생 에너지, 오늘 이야기할 디지털 및 AI와 같은 것으로 우리를 확장했습니다. 저는 AI 기능을 직접 개발하고 내재화하는 제품을 이끄는 일을 도왔습니다. 그래서 정말 재미있었던 다양한 역할들.

레이 : 2020년과 그 이후를 보면 특히 기계 학습이 혁신 프로세스에 실제로 어떤 영향을 미칠 수 있는지에 대한 영광스러운 시대에 접어들고 있다는 정서가 있습니다. 그러나 향후 XNUMX, XNUMX년 동안 미래 지향적인 전망을 살펴보기 전에 지난 XNUMX년에 대한 전문적인 통찰력과 우리가 가고 있는 단계까지 우리가 어떻게 이끌어 왔는지 알고 싶습니다. R&D 및 혁신 내에서 디지털 여정을 강화합니다. 케빈, 우리를 오늘날의 위치로 이끈 배경 맥락, 일종의 역사적 순풍이 있나요?

케빈 : 네, 좋은 질문인 것 같아요, 레이. 디지털을 어떻게 정의하느냐에 따라 크게 좌우된다고 생각합니다. 디지털은 많은 것을 의미할 수 있습니다. 그것은 발견을 위한 AI를 의미할 수 있습니다. 아마도 그것의 섹시한 버전일 것입니다. 그러나 혁신 파이프라인을 관리하기 위한 도구와 같은 더 운영적인 것일 수도 있습니다. 그래서 전반적으로 우리는 아직 초기 단계에 있다고 말하고 싶습니다. 확실히 진보가 있었고 분명히 조종사가있었습니다. 그들은 새로운 것을 시도하지만 R&D 프로세스 내부에서 자동화하려는 이러한 원대한 야망은 대체로 아무도 실제로 거기에 없습니다. 당신은 고립된 조종사를 시도하는 사람들과 그런 다른 것들을 봅니다. 실제로 지식을 관리하거나 아이디어 파이프라인을 관리하는 조금 더 발전된 다른 디지털 도구를 볼 수 있습니다. 다시 말하지만, 디지털을 실제로 정의하는 방법에 따라 공격적이고 세상을 바꾸는 접근 방식입니까? 아니면 가끔은 평범한가요? 프로세스 관리? 그것은 당신이 그것을 어떻게 보느냐에 달려 있습니다. 그러나 제 생각에는 우리는 이제야 좀 더 파괴적인 디지털 응용 프로그램을 보기 시작하는 단계에 접어들고 있다고 생각합니다.

레이 : 우리가 첫 번째 이닝에 있다고 말하는 것이 공정합니까? 그리고 우리가 그렇지 않다면 거기에 도달하는 여정에서 우리는 어디에 있습니까?

케빈 : 나는 그 특정한 측면에 대해 말하고 싶습니다. 우리는 정말 초기 단계입니다. 우리는 사람들을 다시 봅니다. 파일럿을 시도하고 기계 학습을 시도합니다. 내가 관심 있는 것과 관련된 흥미로운 논문을 찾으려면 어떻게 해야 합니까? 그런 일이 발생하기 시작하는 것을 볼 수 있지만, 자동화된 수단이나 정보에 입각한 데이터 또는 분석에서 신호 감지 및 아이디어 생성과 같은 확장 측면에서 우리는 정말 초기 단계에 있다고 말하고 싶습니다. 그리고 우리는 아직 아무도 그 흐릿한 프런트 엔드를 정말 공격적으로 추진하는 것을 본 적이 없습니다.

레이 : 예를 들어 90년대 인터넷 비유의 시작을 더 많이 사용한다면 실제로 기계 학습에 관한 한 우리는 몇 년에 와 있습니까? 그리고 그 흐릿한 프런트 엔드를 정말 혁신적으로 만들고 있습니다, Kevin?

케빈 : 예, 프런트 엔드 측면에서 제 말은 제가 몇 살인지에 대한 약간의 정보입니다. 하지만 기본적으로 저는 대학에 도착한 것을 기억하고 있습니다. 실제로 이더넷 연결이 시작되고 T1이 인터넷의 힘에 눈을 뜨게 된 때였습니다. 그리고 그것은 정말 미지의 영역이었습니다. 모호한 프런트 엔드에 대한 아이디어화 측면에서 꽤 확립된 프로세스를 취하고 가능성을 탐색하고 도구가 있다는 것을 실제로 알고 있지만 실제로는 이해하지 못하는 측면에서 우리가 지금 있는 위치에 대한 좋은 아날로그라고 생각합니다. 그것들을 사용하거나 그들이 할 수 있는 것. 그래서 저는 확실히 초기 단계라고 말하고 싶습니다.

레이 : 아, 그래요. 케빈, T1 연결을 가진 내 친구, 당신은 약간의 추억을 되살리고 있습니다. 그래서, 그것은 나이가 많은 청취자일 수 있는 일부 사람들에게 좋은 맥락입니다. 그래서 정말로, 우리는 성숙도면에서 아마 96′ 97′에 있습니다. 우리가 말하는 것이 공평합니까?

케빈 : 응. 나는 그것이 타임 라인 측면에서 공정한 아날로그라고 말하고 싶습니다.

레이 : 멋진. 선구자 중 일부인 Kevin은 AI, 기계 학습, 심층 신경망이 실제로 이를 지원하는 방법에 바늘을 움직이는 소수의 조직이 있는 몇 가지 흥미로운 사례 연구를 강조하면서 귀하의 작업 중 일부를 보았기 때문입니다. 퍼지 프런트 엔드이든 주기 후반이든 혁신 프로세스입니다. 시장에 실제로 파문을 일으켰다고 생각하는 좋아하는 사례 연구를 가지고 있습니까?

케빈 : 예, 그렇게 많지는 않다고 생각합니다. 그 아이디어와 우리가 논의하고 있는 깔때기의 프런트 엔드 부분에 많은 플레이어가 있습니다. 확실히 떠오르는 선수들이 있다. 그들은 흥미로운 일을 하고 있습니다. 우리 두 회사 모두 그곳에서 흥미로운 일을 하고 있다고 생각합니다. 그러나 제 생각에 더 성숙해 보이는 곳은 깔때기 아래로 더 내려가는 것입니다. 재료 정보학과 같은 것에 더 가깝습니다. 여기에서 마음대로 사용할 수 있는 엄청난 양의 데이터를 사용하여 다음과 같은 속성을 갖게 될 다음 무엇을 만들어야 합니까? 나는 원해요? 그래서 우리는 연구와 작업에서 많은 흥미로운 회사를 보았습니다. 눈에 띄는 것은 Citrine Informatics와 같은 사람으로 그곳에서 흥미로운 작업을 수행합니다. 그러나 그 아이디어 프런트 엔드 부분의 관점에서 보면, 현장의 과학자들에게 유용한 올바른 도구를 개발하는 방법을 실제로 시도하는 열린 경기장이라고 말하고 싶습니다. 나는 거기에 많은 흥미로운 작업이 있다고 생각합니다. 하지만 아직 유일한 리더가 등장했다고 말하지는 않겠습니다.

레이 : 그것은 매혹적이다. 재료 정보학 공간에 대해 언급하셨는데, 이는 우리가 깊이 열정을 갖고 있는 분야입니다. 그리고 예, 우리는 Citrine과 보스턴 지역의 다른 두 사람이 그 공간에서 하는 일을 좋아합니다. 따라서 더 넓은 의미에서 유입경로에서 더 많은 진행 상황을 보고 있다고 말하는 것이 타당합니까? 그래서 우리가 프로젝트 수명 주기 관리 공간에 들어갈 때 워크플로우에 더 깊이 들어가고 개발 및 출시 단계보다 AI의 영향을 보는 곳이 어디일까요?

케빈 : 네, 다시 말하지만, 어떻게 생각하느냐에 따라 다릅니다. 나는 당신이 옳다고 말하고 싶습니다. 재료 정보학을 넣으면 깔때기의 단계를 정의하는 방법에 따라 조금 더 멀고 아직 초기 단계이지만 그 생각을 넘어서고 있습니다. 실제 발견의 단계로 나아가고 있습니다. 아시다시피 제가 작업할 것은 무엇이며 더 공격적으로 추진할 것입니다. 그래서 확실히 더 많은 일이 일어나고 있다고 생각합니다. 프로젝트 관리 및 수명 주기와 같은 항목으로 돌아가면 AI가 반드시 필요한 것은 아니라는 것을 알 수 있습니다. 따라서 확실히 디지털인 경우라고 생각합니다. 하지만 회사의 파이프라인을 관리하거나 프로젝트의 파이프라인을 보다 효율적으로 관리하기 위해 AI가 꼭 필요한 것은 아닙니다. 따라서 현재 깔때기의 어떤 측면에 있는지, 어떤 도구에 가장 관심이 있는지 알고 계십니까? 그리고 우리는 아마도 이것으로 돌아올 것이라고 생각하지만 중요한 것은 AI가 항상 올바른 도구는 아니라는 것입니다. 모든 문제를 해결하기 위해 항상 AI가 필요한 것은 아닙니다. 낮은 매달린 과일도 있다는 점을 명심해야 할 것 같습니다.

레이 : 그것은 흥미롭고 주제 모델링, NLP 및 퍼지 프런트 엔드에서 실제로 바늘을 움직일 가능성이 있는 방법에 대해 이야기하는 흥미로운 연구를 게시합니다. 그러나 실제로 시장을 살펴보면 현재 거의 활용되지 않고 있습니다. 올해, 특히 COVID와 R&D가 그 어느 때보다 원격으로 수행되는 상황에서 촉진제가 있다고 생각하십니까? 2020년에 발생한 주제 모델링과 콘텐츠 중복에 대한 촉진제를 본 이벤트가 있습니까?

케빈 : 예, 저는 COVID를 반드시 인에이블러 또는 촉진제로 본 적이 없습니다. 바로 그 때 우리는 약한 신호 감지 또는 아이디어의 조기 감지라고 부릅니다. 당신은 분명히 그들 중 일부에서 백신이나 약물 발견과 같은 크고 명백한 것들을 보았습니다. 이것은 다시 조금 더 아래에 있습니다. 당신이 찾고 있는 신호 감지는 활짝 열린 경기장이 아닙니다. 내가 무엇을 할 수 있을까요? 그리고 다시, NLP, 주제 모델 또는 분류기와 같은 파일럿 그룹 중 일부는 연구 그룹이나 회사에서 관심있는 논문을 찾고 실제로 이러한 AI 도구 중 일부를 사용하여 말할 수 있습니다. ; 이 한 가지 주제에 대한 관심을 바탕으로 관련성이 있어야 하며 조사할 가치가 있는 이와 같은 다른 논문은 무엇입니까? 그래서, 그것이 당신에게 흥미로운 것을 인식할 수 있는 곳입니다. 우리는 더 큰 기업 플레이어와 다른 사람들이 이러한 도구를 조금 더 사용하기 시작했다는 소식을 들었습니다. 아직 더 큰 인프라에 구축되었다고 말할 수는 없지만 사람들이 이러한 도구 중 일부를 탐색하는 것을 볼 수 있습니다. 2020년의 사건이 반드시 그 특정 사용을 가속화했다고 생각하지 않습니다. 특히 기업이 AI에 대해 더욱 정교해지고 AI를 어떻게 사용할 수 있는지 이해하기 위해 주변을 찌르기 시작하는 것은 바로 이러한 진화라고 생각합니다.

레이 : 그리고 고객 측에서 철학의 관점에서 무엇을 보고 있습니까? 집에서 키우나요? 아니면 구매 또는 파트너? 특정 섹터가 하락하는 것을 보고 있습니까? 우리는 혼합물을 보기 때문에 당신의 렌즈를 받고 싶습니다.

케빈 : 예, 믹스도 보입니다. 나는 이것이 많은 기업들에게 꽤 까다로운 상황이 될 수있는 곳이라고 생각합니다. 그들의 힘이 반드시 건물에 있는 것은 아니기 때문입니다. 실제로 과학자를 위한 엔터프라이즈 소프트웨어를 거의 구축하고 있으며 여러분도 잘 알고 있습니다. 하지만 도전적입니다. 매우 까다로운 사용 사례와 청중입니다. 그래서 여러분이 보시는 것은 기업이 때때로 소프트웨어, 도구를 개발하기 위해 IT 부서를 데려오는데 때로는 사용자 인터페이스나 다른 것들이 별로 좋지 않다는 것입니다. 그리고 내부적으로 견인력을 얻기가 어렵습니다. 따라서 내부 전문 지식을 활용하는 데 가치가 있다고 생각합니다. 아시다시피 고객은 기본적으로 이 경우에 대해 잘 알고 있습니다. 그러나 이러한 솔루션을 제공하기 위해 항상 최고의 장비를 갖춘 것은 아닙니다. 그래서 우리는 주로 그것 때문에 사람들이 사용하지 않는 것을 만드는 몇 가지 실수를 보았습니다. 이 경우 또는 파트너를 구매하는 것이 좋습니다. 그리고 다양한 종류의 파트너가 될 수 있습니다. 이를 구축하는 데 도움을 줄 수 있는 거대한 기업이 있고 신흥 플레이어가 있지만 중요한 부분은 AI와 데이터 과학 데이터 과학 기능의 혼합을 보고 있다는 것입니다. 첫째, 모든 회사가 가지고 있는 것은 아닙니다. 사실, 그 기술 세트는 엄청난 수요가 있습니다. 그리고 거기에서 강한 사람들을 찾기가 어렵습니다. 그러나 많은 경우 소프트웨어를 구축하기도 합니다. 따라서 뒤에서 데이터 과학을 수행하고 데이터를 처리하고 결과를 뱉어내는 것만이 아닙니다. 실제로 인터페이스와 사람들이 사용해야 하는 것들을 구축하고 있습니다. 그리고 다시 말하지만 이것은 다양한 산업 분야의 기업이 반드시 잘하는 것은 아닙니다. 그래서 그 정도까지 우리는 그것에 대해 질문한 고객에게 사람들을 밀어붙이려고 노력했습니다. 개인적으로 파트너로부터 전문 지식을 얻고 이를 내부에 존재하는 지식과 통합하는 것이 합리적이라고 생각합니다.

그것은 매혹적이다. 대기업, 대규모 펀드가 데이터 과학 노력을 줄이고 인력을 확장하는 방법에 대한 모멘텀을 언급하셨습니까?

레이 : 데이터 과학, 의사 결정 과학에 대한 의제를 실제로 추진하고 내부 기능을 실제로 강화하려고 노력하는 산업 또는 하위 부문의 측면에서 초고속 성장이 어디에서 보입니까?

케빈 : 예, 엄청난 노력입니다. 그것은 실제로 제조업을 위한 산업 주변입니다. 어느 정도까지는 잘 알려진 최적화 문제입니다. 따라서 예측 유지 관리, 품질 또는 기타 항목에 데이터 과학을 던지는 것이 합리적입니다. 필요 또는 사용 사례 측면에서 그들이 이해하는 것입니다. 공급망 제조 여부에 관계없이 특정 사용 사례 세트 내에서 혁신하기 위해 데이터 과학을 가져올 수 있습니다. 아이디어가 제품으로 전환되는 것이 아니라 혁신의 깔때기로 생각할 수도 있습니다. 그러나 이와 같은 경우에는 내부적으로 배포 또는 운영 사용으로 전환한다는 아이디어입니다. 하지만 해당 애플리케이션에 대한 수요가 있는 데이터 과학자를 볼 수 있습니다. 이는 잘 알려진 문제이고 잘 이해되어 있으며 비용 측면에서 측정할 수 있는 조직에 즉각적인 이점이 있을 수 있기 때문입니다. 그래서 그것은 데이터 과학 인재를 끌어들이기 위해 일종의 아우성을 치는 것을 확실히 볼 수 있는 곳입니다.

레이 : 그리고 앞으로 데이터 과학이 해당 Stage-Gate 프로세스 또는 일반적으로 전체 R&D 및 혁신 프로세스에서 의미 있는 영향을 미칠 블루오션은 어디에서 볼 수 있을까요?

케빈 : 네, 예를 들어 재료 발견은 본질적으로 제약 산업에서 배운 것을 가져옵니다. 제약 산업은 다른 유사한 유형의 산업으로 수입하는 약물 발견과 같은 일에 대해 AI 측면에서 조금 더 발전했습니다. 특정 속성 집합을 가진 폴리머를 개발하는 것과 같습니다. 배경지식으로 보면 제 마음에 가깝고 소중한 영역이기도 한 것 같아요. 하지만 모든 기사, 모든 논문, 모든 실험 결과를 활용하는 것은 엄청나게 영향력이 있다고 생각합니다. 해당 데이터를 구조화하고 처리할 수 있다면 원하는 속성을 가진 사물의 발견, 디자인 및 생산을 가속화할 수 있습니다. 이것이 AI의 특히 흥미로운 적용이라고 생각합니다.

완전히 다른 전면에. AI를 실제로 사용하여 최종 사용자(이 경우 고객)를 더 잘 이해하고 이를 혁신 유입 경로로 다시 보낼 수 있는 CPG 세계 또는 소비재 세계에 많은 관심이 있다고 생각합니다. 그렇다면 내 고객 기반에서 보고 있는 추세는 무엇입니까? 함께 가져올 수 있는 다른 데이터 세트는 무엇입니까? 내가 뽑을 수 있는 패턴은 무엇입니까? 내가 다음에 디자인하는 제품에 어떻게 더 나은 정보를 제공할 수 있습니까? 따라서 고객에 대한 더 많은 데이터를 수집하는 AI 및 IoT 내장 측정을 통해 제품을 광범위하게 설계하고 이를 다시 제공하는 일종의 선순환을 볼 수 있습니다. 따라서 최종 사용자를 실제로 이해하는 이 기능을 볼 수 있습니다. 그리고 고객이 더 좋습니다. 전체 제품 개발 주기를 보다 효율적이고 효과적으로 만들 수 있다고 생각합니다.

레이 : 재미있는 것은 소재 정보학 공간에 대해 몇 번 언급하셨는데, 그것은 우리 마음에도 매우 가까운 영역입니다. ML 측면에서 볼 때 이것이 여러 산업 분야의 재료 과학 팀을 위한 바늘을 실제로 움직이는 매력적인 영역입니까? 구매자 또는 그러한 유형의 기능이 우리 보드에서 실제로 얻을 수 있는 좋은 감정과 피드백을 받고 있습니까?

케빈 : 예, 적절한 회사의 적절한 사람과 이야기하고 있다면 말하고 싶습니다. 분명히 이 경우에는 화학 및 재료 부문에 대해 이야기하고 있습니다. 그들은 저분자이든 합성물이든 고분자이든 다음 제품을 설계하는 것이 얼마나 어려운지 알고 있습니다. 그리고 저는 연구실에서 이러한 것들을 직접 디자인하려고 노력해 왔으며 어렵습니다. 시행 착오와 추론이 있습니다. 따라서 그것이 효과가 있다면, 즉 내가 자원을 어디에 투입해야 하는지 더 잘 알려주기 위해 기존의 모든 데이터를 선별할 수 있는 능력이 기업에 막대한 부가가치가 된다는 점을 분명히 이해하고 있습니다. 제품 제공 시간을 단축하고 R&D 비용을 절감하며 많은 이점을 얻을 수 있습니다. 그래서 나는 그것이 힘든 고객 기반이라고 생각합니다. 그들은 오랫동안 한 가지 방법으로 일을 해왔습니다. 그러나 우리는 특정 사용 사례를 시도하고 촉진하고 가속화하기 위해 디지털 도구를 사용하려는 욕구가 증가하고 있음을 봅니다. 왜냐하면 당신이 그것을 제대로 이해한다면 그것은 훌륭하지만 아마도 신약 발견과 같은 규모는 아닐 것입니다. 수익성 있는 제품을 더 빨리 얻을 수 있다면 상당히 큰 부가 가치입니다. 그래서 우리는 사람들이 정말 매력을 느끼는 것을 봅니다.

레이 : 네, 흥미롭군요. 당신은 신약 개발 분야에 발을 들였습니다. 다시 말하지만, 우리는 특히 지난 24개월 동안 해당 영역에서 눈부신 발전을 목격하고 있습니다. 시장에서 철학적 구매와 벤치 수준, 발견 단계, 그리고 더 높은 단계에서 ML을 배포하려는 열의를 실제로 보고 있습니다. 약물 개발 주기에서. 향후 XNUMX~XNUMX년 안에 그 지역에서 쉽게 얻을 수 있는 열매에 대해 어떻게 생각하십니까? 당신의 눈을 사로잡는 좋은 예가 있습니까? 그리고 AI 기반 지능형 약물 발견을 볼 때 매력적인 성장 기회를 어디에서 볼 수 있습니까?

케빈 : 예, 저는 이것이 제가 대부분의 시간을 보는데 보내는 공간이 아니라 시장을 관찰하고 Moderna와 같은 것을 보는 측면에서 그들이 전체 기업의 일부로 디지털과 AI를 얼마나 강조하는지에 대해 말하고 싶습니다. 전략, 회사 구축. 그리고 그것은 분명히 백신 개발과 다른 것들에서 열매를 맺었습니다. 이것이 바로 COVID가 발견 프로세스를 디지털화하는 데 있어 진정한 가치를 보여준 예입니다. 그래서, 아시다시피, 예리하고 명백한 것들이 있습니다. 전반적으로, 나는 그들이 산업 또는 부문으로 앉아있는 방대한 데이터 세트가 있다고 생각합니다. 따라서 획득하기가 점점 더 쉬워지고 있는 유전 데이터는 테스트하고 합성하기가 더 쉽습니다. 이러한 유형의 데이터 세트와 임상 결과, 환자의 결과와 훨씬 상위 항목을 실제로 연관시킬 수 있는 아이디어입니다. 앞으로 엄청난 양의 기회와 활용이 있습니다. 너무 널리 퍼져 있다고 생각하기 때문에 특정 응용 프로그램을 선택하기가 어려울 것입니다. 하지만 그 데이터가 얼마나 방대하기 때문에 특정 문제에 매력을 느낀다고 생각합니다. 그리고 우리는 아마도 이것에 대해 다루겠지만, 실제로 여러분이 얻는 통찰력의 질은 여러분이 입력한 데이터에 달려 있습니다. 그리고 제 생각에는 AI를 사용하기에 신약 발견이 꽤 무르익은 것이 너무 많다고 생각합니다.

레이 : 당신이 언급한 데이터 품질 부분과 정규화에 대한 전체적인 엄격함이 흥미롭습니다. 우리는 그 감정을 많이 듣습니다. 내 말은, ML 모델을 구축하는 것도 한 가지이지만 집을 정리하고 실제로 지루한 작업을 수행하고 데이터 작업을 동급 최고의 방식으로 설정하는 것입니다. 그 전선에서 조직을 어디에서 보십니까? 기업이 실제로 NLP 및 주제 모델링과 같은 기계 학습 및 ML 하위 부문의 가치를 실제로 최적화할 준비가 되었다고 생각하십니까? 아니면 여전히 여행입니까?

케빈 : 확실히 여전히 여행입니다. 그리고 저는 대다수의 회사가 보유한 데이터를 활용할 수 있는 위치에 있지 않다고 말하고 싶습니다. 그렇기 때문에 그들은 데이터를 내 블랙 박스에 연결하고 귀중한 통찰력을 얻을 수 있도록 파트너나 벤더를 데려오는 데 문제가 있습니다. 그들은 들어오는 데이터의 품질이 나쁘거나, 구조가 잘못되었거나, 레이블이 잘못 지정되어 있으면 결과도 마찬가지라는 것을 매우 빨리 깨닫습니다. 따라서 더티 데이터는 더티 결과와 같습니다. 모든 사람이 AI를 사용하기를 원하지만 좋은 결과를 얻기 위해 데이터 관점에서 자신을 준비하는 데 필요한 작업의 양을 반드시 인식하지 못하는 곳에서 좌절감이 발생한다고 생각합니다. 그리고 내 경험상 기업이나 NLP와 같은 이러한 도구 중 일부를 사용하는 데 관심이 있는 다른 사람들과 이야기하는 것은 일반적으로 잘 수행하기 위한 데이터 입력으로 인해 병목 현상이 발생합니다. 따라서 실험실 공책이든 종이와 같은 외부 데이터이든 관계없이 보유하고 있는 데이터 세트를 정리하는 데 많은 비용을 할당하고 준비해야 합니다. 할 수 있다. 거대한 문제. 그리고 나는 그것이 주요 병목 현상이라고 생각합니다.

레이 : 흥미롭게도 당신은 그것을 언급했습니다. Bay Area에는 scale.ai라는 그룹이 있습니다. 그리고 그들은 자율 차량으로의 여정을 가능하게 하기 위해 집을 구하는 모든 대형 자동차 제조업체, 특히 Tesla 외부의 일부 전통적인 플레이어와 함께 정말 매력적인 작업을 수행하고 있습니다. 그래서 우리는 소수의 회사가 실제로 그 분야에서 훌륭한 파트너가 되는 것을 보고 있습니다. 그러나 다른 산업을 보면 화학 분야나 제약, FMCG, 또는 IT 분야를 보고 있는 것입니다. 데이터 측면의 실제 문제는 무엇입니까? 임원 바이 인입니까? 레거시 인프라와 배관만 있습니까? ML의 가치를 실제로 최적화하기 위해 조직이 데이터 청결 전선에서 최적화되도록 향후 몇 년 동안 수행해야 할 작업은 무엇이라고 생각하십니까?

케빈 : 따라서 해결해야 할 문제와 이를 해결하기 위해 필요한 것이 무엇인지 진정으로 이해하는 측면에서 대규모 조직에서 볼 수 있는 일부 기능 장애를 거의 말해줍니다. 그리고 그것은 대기업에만 국한된 것이 아닙니다. 제 생각에 그것은 많은 조직의 문제입니다. 그러나 저는 이러한 이니셔티브가 메시지를 받거나 시작될 때 항상 투명성이 있는 것은 아니라고 생각합니다. 얼마나 어려울지, 그리고 그로부터 기대할 수 있는 결과 수준은 어느 정도인지 말입니다. 그래서 저는 정말 많은 실사 없이 시작되는 많은 이니셔티브를 믿고 있으며, 필연적으로 얼마나 어려울지 또는 예상치 못한 결과가 무엇인지에 대한 것입니다. 아시다시피, 가장 극단적인 경우에는 'AI를 사용하자. 그리고 아시다시피, 점점 더 많은 사람들이 그것보다 더 정교해지고 있습니다. 그러나 확실히 초기 "인용하고 인용하지 않는" 디지털 변환 시대에는 문제를 선택하고 올바른 도구를 선택하는 데 많은 엄격함을 보지 못했습니다. 따라서 데이터 문제를 제기할 때 기본적으로 통합되지 않은 조직을 보고 이전에 언급한 것처럼 좋은 결과를 얻기 위해 무엇이 필요한지 이해하고 있습니다. 진정한 비용을 실제로 이해해야한다고 생각합니다. 비용은 얼마입니까? 그리고 실제로 비용 이점? 그래서 제가 투입해야 할 작업은 무엇입니까? 섹시한 공급 업체 x를 가져올 수 있지만 작업량은 얼마입니까? 그리고 내가 데이터를 블랙 박스에 넣고 결과를 얻기 시작하기도 전에 내 데이터를 정리하는 데 얼마를 청구할까요? 그래서 저는 그것이 얼마나 어려운 일인지 정확히 이해하지 못하는 경우가 많다고 생각합니다. 데이터가 상주하는 곳일 수도 있고, 시스템의 다른 부분이나 조직의 다른 부분, 모든 종류의 인프라 문제에서 데이터 세트를 통합하는 것일 수도 있다고 지적하셨습니다. 따라서 데이터 관리 부분은 사람들이 종종 이해하는 것보다 더 어렵습니다.

레이 : 당신이 생각하는 어떤 회사나 산업이 실제로 그 방향으로 바늘을 움직이고 있습니까? 진정으로 AI 블랙박스를 섭취하고 가치를 최적화할 수 있는 준비성을 개선하고 있는 사람. 당신의 시선을 사로잡는 그들의 분야는 잠재적인 선구자입니까?

케빈 : 예, 반복적으로 들릴 수 있지만 제조업은 사람들이 서로 다른 시스템에서 데이터를 추출하고 통합하는 데 집중하는 것을 보기 시작하는 곳이라고 생각합니다. 따라서 여기에서 반드시 모든 플레이어에 대해 다루지는 않겠지만 내 인프라에 이러한 모든 다른 공급업체의 장비가 있고 모든 다른 시스템에 연결하고 모든 데이터를 하나에 넣을 수 있는 방법이 있다는 것을 이해하고 있다고 생각합니다. 궁극적으로 그것이 AI이든 다른 분석 접근 방식이든 관계없이 훨씬 더 흥미로운 일을 할 수 있습니다. 다시 말하지만, 사람들이 문제의 난제를 이해하고 올바른 데이터를 추출할 수 있는 올바른 커넥터를 가짐으로써 문제를 해결하기 시작하는 것을 볼 수 있는 특별한 장소입니다. 그러나 다시 말하지만, 그것은 저널 기사나 R&D를 위한 무언가를 보는 것과 비교할 때 응용 프로그램 퍼널에서 꽤 멀리 떨어져 있습니다. 맞습니다. 그것들은 꽤 다른 사용 사례입니다.

레이 : 데이터 운영이 제대로 이루어지고 있고 그에 대한 엄격한 품질 관리를 하는 기업을 볼 때 진정한 가치가 실현되고 있다고 보십니까? 일부 하위 부문에서 실제로 가치를 깨닫는 흥미로운 순간이 있고 일부에서는 과대 선전하지만 R&D에 배치되는 AI에 대한 의미 있는 가치를 실제로 깨닫지 못하는 경우가 있기 때문입니다. 실제 영향 측면에서 시장에서 보고 있는 결과는 무엇입니까?

케빈 : 예, 사례 연구 외에도 대부분의 전통적인 물리적 산업에서 백신 발견이나 이전에 이야기했던 것과 같은 크고 명확한 가치는 제약 기반이 아닙니다. 나는 이것이 AI로부터 큰 승리를 거두는 것을 아직 보지 못했습니다. 못해서가 아니라 이런 조직적인 장벽이 있을 뿐이라고 생각합니다. 다시 말하지만, 올바른 문제를 선택하고 있습니까? 올바른 도구를 선택하고 있습니까? 큰 승리를 거두기 전에 작은 승리를 거두고 있습니까? 소규모의 성공을 포함하는 이러한 전사적 솔루션을 구축할 수 있는 방법이 있다고 생각합니다. 그리고 나는 사람들이 그 작은 승리를 먼저 식별하고 실제로 성공 가능성을 최적화하거나 높이는 것에 대해 얼마나 체계적으로 해왔는지 모릅니다. 특히 이 경우에는 큰 승리를 거두기 전에 작은 승리를 거두어야 하기 때문입니다. 따라서 해결하려는 문제에 대해 실제로 생각할 여지가 분명히 있다고 생각합니다. 제가 이와 같은 논문을 찾고자 했던 예시는 실행 측면에서 크지는 않지만 실제로 과학자들이 정상에 집중할 수 있는 방식으로 수행한다면 꽤 괜찮은 투자 수익일 수 있습니다. 10종. 그래서 저는 문제의 규모에 대해 좀 더 깊이 생각할 수 있는 방법이 있다고 생각합니다. 여러분이 해결하려는 것을 선택하고 그것에 대해 정말로 깊이 생각하는 것입니다.

레이 : 우리도 그렇게 봅니다, 케빈. 사람들이 바다를 끓이려고 시도하는 과대 광고가 많이 있습니다. 그리고 주위에 생각하는 깊은 첫 번째 원칙이 많지 않습니다. 뾰족한 문제를 살펴보고 잘 해봅시다. 일종의 땅과 거기에서 확장합시다. 사람들이 정말 열정적 인 시장에서 정서를 듣고 이해하고 잠재적 인 기본 가치를 이해하지만 아기 단계에서 물건을 가져가는 데 불일치가 있다고 언급했습니다. 따라서 혁신 프로세스에 AI가 배치되는 것과 관련하여 혼란이 있습니다. 첫 번째 원칙에서 실제로 본다면 그것이 실제로 무엇이라고 생각하십니까? 사람들입니까? 그들이 제공하는 것을 포지셔닝하는 방식 측면에서 시장의 벤더입니까? 시장에서 이러한 혼란이 일어나게 된 배경은 무엇인가?

케빈 : 예, 우리가 대기업에 초점을 맞춘다면, 이 경우 그들은 일반적으로 빠르게 움직이거나 새로운 것을 채택하는 데 서투릅니다. 그들이 똑똑하지 않아서가 아니라 새로운 것을 시도하는 데 조직적인 장애물이 많을 뿐입니다. 특히 보수적 인 산업에서. 따라서 대부분의 경우 이러한 회사는 디지털 네이티브가 아니라고 생각합니다. 따라서 그들은 AI에 대해 많은 것을 배워야 합니다. 무엇을 하려는 것입니까? 감독 방식과 비감독 방식의 머신 러닝의 다양한 특징은 무엇입니까? 내가 해결하고 있는 문제에 그것이 어떻게 중요합니까? 그리고 그들 모두가 조기에 이러한 질문에 효과적으로 답하여 올바른 방향을 제시할 수 있는 것은 아닙니다. 그래서 저는 교육의 측면이 많다고 생각합니다. 이러한 조직 중 하나에 들어가면 모든 뉘앙스를 이해하는 정말 최첨단의 똑똑한 사람들을 찾을 수 있습니다. 이런 조직에 그런 사람들이 있을 것입니다. 이러한 광범위한 기능을 함께 실행하도록 조정하는 것입니다. 그것은 큰 조직에서 정말 복잡한 문제입니다. 조직 전체에 걸쳐 매일 직접 작업을 수행하는 사람들에 이르기까지 가장 높은 수준에서 동의를 얻어야 하기 때문입니다. 그래서 그런 종류의 비전의 통일성을 얻고 함께 효율적으로 실행합니다. 어렵습니다. 많은 사람들이 익숙하지 않을 수 있는 AI와 같은 기술로는 특히 어렵습니다.

레이 : 좋아요. 근본적으로 그런 것 같다. 사람들, 가장 간단한 형식입니다.

케빈 : 예, 요약하자면 사람들은 - 사람들은 복잡합니다.

레이 : 그래서, 지금은 그냥 재미를 가지고 있습니다. 데이터 전선에서 대부분의 산업이 정돈되고 사람이 정렬되고 데이터 과학 기능이 제자리에 있는 세상을 상상해 보십시오. 유토피아는 어떻게 생겼습니까? 기계 학습, AI, 컴퓨터 비전, 기타 AI의 폼 팩터가 혁신 프로세스를 실제로 변화시킬 수 있는 방법에 대한 푸른 하늘, 정말 섹시한 기회는 무엇입니까? 여러분이 일반적으로 주시하고 정말 흥분시키는 성배는 무엇입니까?

케빈 : 저에게 흥미로운 것은 가치 있는 제품을 더 빨리 만들 수 있는가 하는 것입니다. 좀 지루하게 들리겠지만, 제품이 의약품이든, 코딩이든, 장치이든 관계없이 귀하가 속해 있는 산업이 무엇이든 고객에게 이 더 가치 있는 버전의 더 나은 버전을 만들 수 있습니까? ? 그리고 빨리 해도 될까요? 어느 시점에서 더 공평한 경쟁의 장이 될 것이라고 생각하기 때문에 분명히 승자와 패자, 그리고 다른 사람들보다 더 잘하는 사람들이 있을 것입니다. 그러나 AI는 상당히 민주화될 것입니다. 내 말은, 누구든지 원하면 할 수 있다는 것입니다. 따라서 실제로 성공적으로 계속 진행하는 사람들은 AI 알고리즘에 입력한 데이터에서 나오는 통찰력을 번역하여 더 가치 있는 흥미로운 것을 구축합니다. 예를 들어 소비자로서 나에게 더 유용하고 더 자주 또는 더 자주 나오거나 나에게 더 많은 가치를 제공하는 더 좋은 것을 갖는 것, 그것이 우리가 바랄 수 있는 것이라고 생각합니다. 나는 그것이 일어날 것이라고 생각합니다. 그것은 단지 어떤 분야에 달려 있으며 어떤 산업에 달려 있습니다. 그러나 우리가 진정으로 모든 사람이 이 일을 꽤 잘 할 수 있는 세상을 상상한다면 우리는 백엔드에서 더 나은 것을 얻어야 합니다.

레이 : AI가 전체 R&D 프로세스에 어떤 영향을 미칠지 정말 빠르게 추적하는 거시적 순풍이 보입니까? 예를 들어, 우리는 에지 컴퓨팅과 Nvidia와 같은 놀라운 비즈니스와 ARM과 Nvidia의 잠재적인 거대한 합병에 대한 정말 흥미로운 발전을 보고 있습니다. . 그것은 단지 하나의 예일 뿐이지만, AI 기반 연구 및 개발의 비전을 가속화하는 데 실제로 힘을 배가시키는 다른 거시적 순풍을 보십니까?

케빈 : 에지 컴퓨팅에서 흥미로운 점을 지적하신 것 같습니다. 우리는 엄청난 계산 능력이 필요하지 않으며 엣지에서 AI로부터 더 빠르게 통찰력을 얻습니다. 나는 그것이 매혹적이라고 생각한다. 거시적 순풍의 관점에서 볼 때 일반적으로 AI가 변혁적일 수 있고 다가오고 있다는 이해가 있다고 생각합니다. 그래서 AI 개발에 대한 정부 정책과 규제가 시행되거나 지원되는 것을 보신 것 같습니다. 예를 들어 중국에서 확실히 볼 수 있습니다. 이러한 정부 중 일부는 이러한 기술 적용의 영향을 인식하기 시작했으며 이를 절대적으로 추진하고 산업 성장을 돕고 AI 및 R&D 적용에 동기를 부여하는 데 도움이 될 것이라고 생각합니다. 그래서 제 생각에는 시장의 힘만이 아니라 이를 추진할 수 있는 규제의 힘도 있다고 생각합니다. 하지만 신호를 찾고 있다면 링크드인에 가서 제목에 디지털 트랜스포메이션이 있는 모든 사람들을 찾아보세요. 이러한 기능, 이러한 작업, 이러한 것들은 마케팅뿐만 아니라 전통적인 기술뿐만 아니라 모든 종류의 산업에서 모든 곳에서 나타납니다. 그러나 펌프를 만드는 회사와 다양한 일을 하는 회사, 이러한 기술이 얼마나 파괴적일 수 있는지에 대한 이해는 다양한 산업에 적용되고 있습니다. 그래서 나는 그것이 계속해서 확산되는 것을 보게 될 것이라고 생각합니다.

레이 : 네, 케빈, 링크드인에서 빠른 검색을 하라는 신호가 좋아요. 여기 PatSnap에서 수시로 그렇게 합니다. 우리는 말 그대로 혁신에 대한 검색을 했습니다, Kevin, 그리고 그 숫자는 놀라웠습니다. 의사 결정 과학이나 데이터 과학과 같은 영역과 같은 다른 영역과 비교하여 벤치마킹하면 몇 가지 집중된 결과가 나왔습니다. 임박한 파도에 대해 모두가 정말 흥분했습니다. 일자리 창출은 잠재적인 소프트웨어 범주 및 기술 범주에 대한 좋은 신호라고 생각합니다. 그래서 저는 그 예를 좋아합니다. 자, 케빈, 상상력이 풍부한 디즈니랜드에 들어가 봅시다. 그렇다면 2028년에 우리가 여기에 앉아 있다면 AI가 혁신 프로세스를 어떻게 발전시켰는지에 대한 규모가 어느 정도라고 생각하십니까? 아니면 영향 측면에서 우리가 어디에 있다고 생각하십니까?

케빈 : 예, 다시 돌아가서 아이디어를 구상하는 프런트 엔드에서 시작하는 전체 혁신 프로세스에 대해 생각합니다. 2020년까지 실제로 이를 강력하게 수행할 수 있는 훨씬 더 많은 기업용 도구 배포를 보게 될 것입니다. 우리가 이전에 이야기한 것처럼 지금 초기 단계에 있다면 성숙함을 볼 수 있어야 하고 사람들이 과거의 실패로부터 배우는 것을 볼 수 있어야 하며 다음에 작업할 작업을 선택하는 더 나은 방법과 보다 체계적인 방법을 구현해야 합니다. . 나는 우리가 그곳에서 진보를 보지 못한다면 실망할 것이라고 생각합니다. 따라서 가시적인 조치를 찾고 있다면 성공적인 제품으로 전환되는 이니셔티브의 수에 대한 측정이 있지만 좋지 않습니다. 뒤돌아보면 XNUMX년 안에 아이디어의 적중률이나 성공률이 증가하는 것을 볼 수 있을 것이라는 기대와 희망이 있습니다. 우리는 조직이 이와 같은 일종의 메트릭에서 진정한 상승을 보기 시작하는 것을 봐야 합니다. 그렇지 않으면 이 실험이 실패했다고 말할 수 있기 때문입니다.

레이 : 그것은 확실히 우리가 정말 기대하는 비전입니다. 분석 중심의 혁신에 관한 이 모든 부분은 구조화되지 않은 데이터가 모두 연결되어 있는 곳입니다. 다양한 비정형 데이터 사용에 대한 시장 이해 및 수용 측면에서 우리가 그 최전방에 있다고 생각하십니까? 그 전선의 개발 측면에서 우리가 어디에 있다고 생각하십니까?

케빈 : 저는 아직 초기 단계라고 말하고 싶습니다. 단절은 여러분과 제가 이 Ray에 대해 오랫동안 이야기할 수 있을 것 같은데, 데이터 자체가 최종 솔루션이 될 것이라는 믿음입니다. 그래서 제 생각에 단절은 실제로 데이터를 찾는 것이 아닙니다. 그것은 목적이 아니라 통찰력입니다. 다음에 해야 할 일을 알려줄 수 있는 무언가를 원합니다. 내가 하고 있는 일을 어떻게 받아들이고 더 성공적으로 만들 수 있습니까? 그래서 제가 보기에 단절은 두 끝에서 와야 한다는 것입니다. 여러분이 이야기하고 있는 데이터 통합 ​​관점에서 오고 제 생각에는 그것이 그곳에서 일어나는 많은 멋진 일들을 빠르게 개선하고 있다고 생각합니다. 하지만 제 생각에는 루프에 있는 인간, 스펙트럼의 다른 쪽 끝에 있는 적합한 사람과 결합하여 데이터를 해석하고, 이러한 추세를 해석하고, 통찰력을 끌어내고, 원하는 모든 것을 얻을 수 있도록 하는 것입니다. 다음에 하세요. 저는 이러한 통찰력을 기반으로 실제로 교육적인 결정을 내릴 수 있는 사람들과 결합된 최첨단 데이터 도구, 최첨단 알고리즘, 추세, 예측, 예측이 해결해야 할 격차라고 생각합니다. 이 두 가지를 더 효과적으로 결합할 여지가 있다고 생각합니다. 그래서 저는 우리가 모든 면에서 큰 진전을 이루고 있다고 생각합니다. 우리는 다양한 장소에 전문가를 보유하고 있고, 데이터가 올라오고 있습니다. 어떻게 그들과 합류하고 반드시 그들 사이의 경쟁으로 만들지 않고 이러한 것들이 함께 더 잘 작동하도록 하는 일종의 통합된 목표를 만듭니다.

레이 : 따라서 루프 데크에서 인간에 대해 언급했을 때 Kevin, 특정 회사의 시장 통찰력 팀이나 예측 팀이 잠재적으로 기계 학습이 일부 작업을 대체하여 위협을 받을 수 있는 부분에 대해 언급하고 있습니까? 그래서, 그런 종류의 문화적 저항이 있습니까? 아니면 도전입니까? 아니면 기술을 근본적으로 이해하는 것입니까? ML 비정형 데이터와 인간이 시너지 효과를 내는 루프의 성배 간극을 어떻게 연결합니까?

케빈 : 말씀하신 두 가지 모두인 것 같아요. 확실히 위협이나 위협적인 측면이 있습니다. 인력 자동화 또는 AI와 미래의 일자리를 찾아보고 일자리 대체에 대한 두려움에 대해 얼마나 많은 논의가 있는지 확인하기만 하면 됩니다. 물론 일부 일자리는 대체될 것이지만 자동화에 대해 이야기할 때 자연스러운 반응입니다. 자동화는 우리가 여기서 이야기하는 것, 즉 통찰 자동화에 대한 큰 추진력입니다. 물론 이는 데이터를 기반으로 통찰력을 생성하고 해석하는 일을 하는 사람들에게 위협이 됩니다. 그래서 제 생각에는 위협적인 개인적인 관점에서 볼 때 분명히 장애물이 있을 것이라고 생각합니다. 아시다시피 사람들의 전문성을 위협하는 것입니다. 그러나 내가 진정으로 인간이 루프 부분에 있다고 믿는 부분은 특히 과학 기반 조직에서 일하는 경우 알고리즘을 맹목적으로 신뢰하지 않을 것이라는 점입니다. 나 자신이 과학자로서, 나는 그것이 나에게 얼마나 많이 설명되었는지 상관하지 않으며 그것이 얼마나 엄격하게 개발되었는지 상관하지 않습니다. 좋은 과학자는 항상 그들에게 제시된 결과에 대해 회의적일 것입니다. 따라서 혁신가를 강력하게 만들 수 있는 간극을 항상 메워야 합니다. 선견지명이 있는 사람이든 과학자이든 알다시피, 내 입장은 내가 여기에 있을 것 같은데, 이 일련의 기술은 우리가 이미 가지고 있는 똑똑한 사람들을 능가하기 위해 그것을 어떻게 사용하느냐 하는 것입니다. 교체하십시오. 그것이 논란의 여지가 있고 다른 관점과 다를 수 있다는 것을 알고 있지만 그것이 제가 앞으로 가장 포용할 비전이라고 믿습니다.