Tech on the Rise

1980년대 SQL 데이터베이스가 그랬던 것처럼 AI는 비즈니스 관점에서 보면 underlying enabling technology로 보는 것이 맞음. SQL이 등장하면서 customer relationship management와 같은 수 조 규모의 산업이 생겼으며 AI 또한 새로운 산업을 만들고 많은 비즈니스 use case들을 개선할 것임.

SQL과 마찬가지로 AI 또한 데이터에 의존하며 데이터는 알고리즘 보다 중요함.

돌아보면 우리 회사의 data strategy는 잘못되었음. 우린 publicly-avaliable-data를 이용한 도구의 첫 버전을 만드는 빠르고 쉬운 방법을 선택하였음. Machine learning용도로 데이터를 clean하고 transform하는데 많은 시간이 걸렸고 우린 이를 통해 어느 정도의 defensibility를 가질 것이라 생각했음. 또한 credibility를 어느 정도 얻고 나면 그 뒤에 더 흥미롭고 defensible한 proprietary dataset에 대한 액세스가 더 쉬울 것이라 예상했음.

이러한 많은 예상들은 다 틀렸음. 모델을 만들기 시작할 때 우리는 우리와 같은 문제에 접근하는 그룹을 주위에서 본 적이 없었지만 마무리가 되어 갈 때는 여러 경쟁자가 있는 것을 확인하였음. 우리의 알고리즘이 더 정확하였지만 모든 경쟁자들이 비슷한 데이터를 사용하고 있었기 때문에 경쟁적 우위나 차별성을 가지기 어려웠음. 

“The takeaway is that access to a proprietary dataset is absolutely key for an AI company.”

일반적으로 proprietary dataset을 얻는 방법은 다음의 세가지가 있으며 이들은 mutually exclusive 하지 않음

1. 사용자가 interact하면 데이터를 생성하는 제품이나 서비스를 직접 만들어서 데이터를 수집하는 방법(Facebook, Google, Spotify)
2. 일일이 직접 small proprietary dataset을 수집하는 방법. 이는 early adopter들을 타겟으로 한 초기 machine learning mode을 훈련시키는 데 사용되고 이후엔 파트너쉽을 통해 모델을 scaling 함(Huxton Analytics)
3. 현존하는 data holder(대기업, 공공기관)와 협력하는 방법(Sensyne Health x NHS trusts in the UK)

위의 세가지 옵션 중 글쓴이는 다음과 같은 이유로 마지막 방법을 추천함. 

• 첫 번째 방법 : 이 경우 회사는 AI 없이도 충분히 서비스를 할 수 있기 때문에 AI 스타트업에 해당하는 방법이 아님
• 두 번째 방법 : 이 경우로 AI 스타트업을 만들 수 있지만 성공하려면 initial dataset이 충분히 niche하거나 문제해결 접근방식이 매우 innovative해야 함. 다만 충분한 데이터를 얻기 위해 파트너쉽을 체결하기 전에 경쟁자들이 idea나 dataset을 베낄 수 있음.
• 세 번째 방법 : 위의 두 방법들을 제외하면 이 방법 밖에는 없는 것을 알게 되며 이 때문에 대부분의 AI 스타트업들은 large data holder와 협력함(B2B). 큰 규모의 기관이나 회사는 빠르게 일이 진행되지 않기 때문에 시간이 어느 정도 소요되는 것을 상기하며 데이터 엑세스에 대해서는 추후 발생할 수 있는 분쟁을 막고자 사전에 양측 간 충분한 논의가 필요함. 일반적으로 회사들이 자사가 가지고 있는 데이터의 가치에 대한 중요성을 인식하고 있음.
• 그 외의 방법 : 위의 방법 말고 DeepMind나 MaginPony처럼 자신들의 알고리즘이 가진 강점을 바탕으로 성공한 AI 스타트업도 있지만 일반적으로 proprietary dataset 없이 성공하기는 쉽지 않음.