Поднимите руки, если у вас когда-либо был Microsoft Zune. Не думал. MP3-плеер — одна из немногих неудач Microsoft, отчасти потому, что к моменту его выпуска Apple загнала рынок в угол. Время выхода на рынок имеет решающее значение.
Вряд ли это новая идея. Он двигал мировую торговлю на протяжении тысячелетий. Прошло 30 лет с тех пор, как классическое исследование McKinsey показало, что компании теряют 33% прибыли после уплаты налогов, когда продукты поставляются с опозданием на шесть месяцев. Конечно, на время выхода на рынок влияет множество факторов: маркетинговая стратегия, дистрибуция, цепочки поставок, производственные процессы. Исследование McKinsey было частью волны интереса к подходам точно вовремя, вызванной успехом японского производства 1970-х годов. Здесь нас больше всего интересует самая ранняя часть цепочки создания стоимости: исследования и разработки. В отчете Boston Consulting Group за 2015 год говорится, что быстрые новаторы не только получают преимущества первопроходцев, но и снижают затраты на разработку, увеличивают долю рынка и повышают точность прогнозов для своего бизнеса.
НИОКР — это гонка. В области материалов, химикатов и производства у умных компаний есть много возможностей для продвижения вперед. На недавнем вебинаре доктор Ричард Падбери из Lucideon процитировал другой отчет McKinsey, в котором среднее время разработки нового материала составляет 20 лет. Конечно, наш реальный интерес заключается в том, как машинное обучение (ML) может изменить эту картину. Вот три области, на которые стоит обратить внимание.
1. Проводите меньше экспериментов
Как обсуждалось в предыдущем блоге, ML может помочь сфокусировать экспериментальные программы, которые для многих продуктов по-прежнему являются самой большой тратой времени на разработку. Это можно сделать, помогая выбрать набор экспериментов, которые наиболее эффективно изучают потенциальные решения, постоянно отвечая на вопрос какой эксперимент мне следует провести дальше? В Intellegens мы стремимся к сокращению экспериментальной рабочей нагрузки на 50–90 % при применении. наш метод машинного обучения для решения таких задач. Чтобы добиться успеха, эти методы машинного обучения должны иметь возможность извлекать информацию из существующих экспериментальных данных, даже если эти данные разрежены и зашумлены. Им также необходимо точно количественно оценить вероятность успеха для конкретного экспериментального маршрута, что позволит принимать рациональные решения даже там, где доступные данные ограничены.
2. Увеличьте вероятность прорывных идей
Часто реальное ускорение в исследованиях и разработках происходит благодаря прорывным идеям — моментам вдохновения или объединению ключевых фрагментов информации. Вы никогда не можете гарантировать эти прорывы, но вы можете увеличить их вероятность. Машинное обучение может быть здесь бесценным, исследуя большие многомерные наборы данных и находя корреляции, которые человек никогда не заметит. Недавно мы видели интересный пример с публикацией статьи о поиске противомалярийных препаратов. ML нашла многообещающее соединение-кандидат, которое, по признанию химиков, они бы отклонили как опрометчивое. Впоследствии это соединение было синтезировано, и его эффективность была подтверждена экспериментально.
Однако также важно сосредоточиться на слове «понимание». Недостаточно просто запустить алгоритм и предсказать результат — вам нужно понять, почему предсказание получается именно таким. Аналитика, такая как диаграмма важности (на фото), помогает. Это показывает, какие входы в системный диск какие выходы.
3. Повторно используйте существующие знания
«Мы были бы намного быстрее, если бы только знали то, что уже знаем». В отрасли справедливо уделяется большое внимание ИТ-системам, которые собирают унаследованные данные и их взаимосвязь. Для химических, материальных и биологических систем примеры могут включать результаты экспериментов и анализа, результаты компьютерного моделирования и данные процесса. Далее по течению могут быть (для фармацевтических препаратов) данные клинических испытаний или данные о пациентах, или (для промышленных продуктов) данные о производстве или эксплуатации. Опять же, ML может применяться для использования этих ресурсов данных. Но, опять же, возникает проблема разреженности данных, поскольку данные, сопоставленные из нескольких источников, неизбежно будут иметь пробелы и несоответствия. Вам понадобятся методы ML, которые могут справиться.
После создания модели машинного обучения она сама по себе может стать полезным способом сбора идей и знаний для последующего повторного использования. Но это сложно, если для запуска или модификации моделей требуются знания в области кодирования или сценариев, а также знания в области обработки и анализа данных. Мы обнаружили, что многие из наших клиентов хотят иметь возможность предоставлять результаты исследований машинного обучения своим ученым и инженерам с помощью доступной платформенной технологии, такой как пользовательский веб-интерфейс Alchemite™ Analytics.
Может быть, вам нужно попробовать что-то новое?
Если НИОКР — это гонка, то, как и в любой гонке, вам, вероятно, придется делать что-то другое, чтобы выйти вперед. Машинное обучение может быть той разницей. Возможно, вы пробовали это раньше и не продвинулись слишком далеко. Это может быть связано с некоторыми препятствиями, которые мы рассмотрели здесь — скудными, зашумленными данными, отсутствием эффективной аналитики или сложностью развертывания полезных моделей. Если да, возможно, стоит еще раз взглянуть на то, как преодолеваются эти проблемы, прежде чем ваши конкуренты начнут набирать силу?
Узнать больше:
Ускорение разработки материалов и процессов — вебинар Lucideon
Экспериментальное ускорение — пример Domino Printing Sciences
Прорывные идеи — пример открытия лекарства от малярии
Платформа для внедрения машинного обучения — Alchemite™ Analytics
