Innovación y nuevos modelos de negocio en el ámbito digital

 Innovación y nuevos modelos de negocio en el ámbito digital
Ejercicio: Coche “gratis”
Enero 20 de 2019

El coche como método de obtención de datasets y etiquetado de imágenes destinados al perfeccionamiento de los algoritmos de los vehículos autónomos.

Contexto

La industria de los vehículos autónomos se encuentra en una carrera que busca perfeccionar los algoritmos de visión computacional (computer vision) que les permitirán convertir sus coches en vehículos 100% autónomos. Múltiples empresas como Volvo, BMW, Mercedes Benz, Chrysler, Ford, Bosch, Uber, Apple, Tesla e Intel, entre otras, se encuentra trabajando con miras a liderar esta industria^[1].

Existen diversos factores que suponen barreras para que este tipo de vehículos lleguen al mercado. Entre ellas encontramos retos en ingeniería, regulación de las normas, confianza y aceptación del consumidor, por nombrar algunos. Sin embargo, el reto más grande está dado por la necesidad de los altos volúmenes de data que se requieren para para entrenar los algoritmos de Inteligencia artificial.^[2] 

Según un estudio realizado por Accenture en colaboración con la compañía de etiquetamiento de data, Mighty AI, existen 4 desafíos que deben superar las compañías que compiten por liderar la carrera de los vehículos autónomos. Estos son:^[3]

• Adquisición de data: Los vehículos autónomos requieren datasets con gigantescas cantidades de información que ayuden a entrenar sus algoritmos de visión computacional.^[4]
• Almacenamiento de data: Los vehículos autónomos de prueba generan entre 4 y 6 TeraBytes de datos por día. Almacenar de manera segura los volúmenes de información necesarios para entrenar modelos de AI es muy costoso para las compañías y representa un desafío para sus modelos de negocio.^[5]
• Manejo de la información: Dependiendo del caso de uso, la información obtenida debe ser almacenada y organizada en diferentes archivos. Lograr una optimización en estos procesos genera grandes dificultades dadas las múltiples variables que intervienen en este proceso.^[6]
• Etiquetado de data: Para que los algoritmos de AI sean entrenados de la manera correcta, estos deben recibir datasets que previamente han sido etiquetados por humanos informando qué objetos forman parte de una imagen. Según las estimaciones realizadas por la compañía Mighty AI, cada hora de datos recopilados requiere alrededor de 800 horas humanas dedicadas exclusivamente al etiquetamiento. El trabajo masivo que supone el etiquetamiento de imágenes limita en gran medida el crecimiento de las compañías que buscan entrenar sus algoritmos de visión computacional.^[7]

Para efectos de este ejercicio, se propone un modelo de negocio que concentra sus esfuerzos en la adquisición de data y en aumentar la velocidad del etiquetado de la misma. Además, se asume que la compañía que va a implementar esta estrategia es una empresa dedicada a la fabricación de coches.

Modelo de negocio

Se plantea un modelo basado en el concepto “free” de Chris Anderson^[8], en el cual se “regala” un coche por valor de 12,000 euros a cambio de que sus beneficiarios acepten:
a) que sus vehículos recolecten data para entrenar algoritmos de inteligencia artificial
b) destinar 15 minutos diarios, durante 4 años, a etiquetar imágenes obtenidas por la red de vehículos que forman parte de este programa.

De esta manera, los beneficiarios del programa deben responder diariamente puzzles visuales similares a los realizados por el reCaptcha de Google, en los que deben etiquetar 30 imágenes por minuto, las cuales posteriormente pasarán por un algoritmo que revisará todas las respuestas para analizar si hay un consenso que permita categorizar las imágenes.  

[pic 1]

Ejemplo de modelo de etiquetamiento de imágenes utilizado por Google

Con este modelo, no sólo se acelerará la velocidad de etiquetamiento de imágenes y se perfeccionarán los algoritmos de visión computacional, sino que además cada coche generará beneficios por 38,841 euros.

...