البناء مقابل الشراء: متى تكون البيانات الخارجية جديرة بتكلفة الاستحواذ؟

في سباق التسلح الحالي للذكاء الاصطناعي، تحول معضلة 'البناء مقابل الشراء' من البرمجيات إلى المادة الخام التي تشغلها: البيانات. بالنسبة لقادة المؤسسات، لم يعد السؤال يتعلق بالحجم فحسب، بل بسرعة أداء النموذج. بينما توفر البيانات الداخلية ميزة تنافسية، غالبًا ما تكون البيانات الخارجية هي الجسر المطلوب لتجاوز مشكلة 'البداية الباردة' في التعلم الآلي. أصبح فهم لماذا ومتى يتم شراء البيانات الخارجية كفاءة أساسية لأي مسؤول بيانات رئيسي.

1. العتبة الاقتصادية: متى يكون الشراء أرخص من البناء

المحرك الأساسي للاستحواذ على البيانات هو 'التكلفة الإجمالية للملكية' (TCO) لخط أنابيب البيانات. يتضمن بناء خط أنابيب داخلي ساعات هندسية، وتكاليف تخزين، والأهم من ذلك، تكلفة التسمية البشرية (HITL). على سبيل المثال، يمكن أن تكلف RLHF عالية الجودة (التعلم المعزز من ردود الفعل البشرية) أكثر بكثير من شراء مجموعات بيانات مُصنفة مسبقًا ومحددة المجال.

وفقًا لتقارير الصناعة، بلغت قيمة سوق جمع البيانات وتصنيفها حوالي 2.22 مليار دولار في عام 2022 ومن المتوقع أن تنمو بشكل كبير (https://www.grandviewresearch.com/industry-analysis/data-collection-labeling-market). عندما تتجاوز تكلفة الاستحواذ الداخلي - مع الأخذ في الاعتبار وقت الوصول إلى السوق - رسوم ترخيص مجموعة بيانات متميزة، يصبح قرار 'الشراء' إلزاميًا رياضيًا. بالنسبة للعديد من الشركات، يكشف تصفح كتالوج مجموعات البيانات أن سعر ترخيص متعدد السنوات غالبًا ما يكون أقل من ستة أشهر من رواتب فريق هندسة بيانات مخصص.

2. حل مشكلتي 'البداية الباردة' والحالات الاستثنائية

البيانات الداخلية متحيزة بطبيعتها بقاعدة عملاء الشركة الحالية وتاريخها التشغيلي. هذا يخلق 'نقاط عمياء' في نماذج الذكاء الاصطناعي. يعد الاستحواذ على البيانات الخارجية الطريقة الأكثر كفاءة لحل عقبتين تقنيتين محددتين:

• البداية الباردة: إطلاق نموذج تنبؤي في منطقة أو قطاع جديد حيث لا توجد لديك معاملات تاريخية.
• إثراء الحالات الاستثنائية: تحسين قوة النموذج عن طريق شراء نقاط بيانات نادرة 'ذيل طويل' تحدث بشكل غير متكرر في أنظمتك لتكون ذات دلالة إحصائية.

مثال رئيسي هو قطاع المركبات ذاتية القيادة، حيث تشتري الشركات بيتابايت من البيانات الاصطناعية وبيانات المستشعرات الواقعية لتدريبها على أحداث الطقس النادرة. في مجال الإعلام، يوضح صفقة OpenAI المعلنة مع News Corp، والتي بلغت قيمتها أكثر من 250 مليون دولار على مدى خمس سنوات (https://www.reuters.com/technology/news-corp-signs-multi-year-deal-with-openai-2024-05-22/)، أنه حتى أكبر مختبرات الذكاء الاصطناعي لا يمكنها الاعتماد فقط على البيانات المجمعة أو الداخلية لتحقيق قدرات استدلال عالية.

3. المراجحة التنظيمية وميزة 'البيانات النظيفة'

أدى تطبيق قانون البيانات الأوروبي والمشهد المتطور للائحة العامة لحماية البيانات (GDPR) إلى تحويل البيانات المجمعة 'المجانية' إلى مسؤولية عالية المخاطر. يوفر شراء البيانات من وسيط حسن السمعة أو مباشرة من مصدر 'سلسلة الملكية' الضرورية للذكاء الاصطناعي على المستوى المؤسسي. هذا تحول من 'كمية البيانات' إلى 'مصدر البيانات'.

تُظهر المعاملات المؤكدة أن المنصات على استعداد لدفع علاوة مقابل البيانات المعتمدة قانونيًا. على سبيل المثال، وقعت Reddit صفقة ترخيص بيانات مع Google بقيمة تقدر بـ 60 مليون دولار سنويًا (https://www.reuters.com/technology/reddit-ai-content-licensing-deal-with-google-sources-say-2024-02-22/). بالنسبة للمشتري، فإن هذه الـ 60 مليون دولار ليست فقط للنص؛ إنها للحق القانوني في استخدام هذا النص دون خطر دعاوى حقوق النشر أو مطالبات 'تسميم البيانات'.

4. مصفوفة قرار البناء مقابل الشراء

لتحديد ما إذا كان يجب عليك اتخاذ قرار بشأن صفقة بيانات، قم بتقييم هذه المعايير الثلاثة:

• السرعة: هل سيؤدي شراء هذه البيانات إلى تقليل دورة البحث والتطوير لديك بمقدار 6 أشهر أو أكثر؟ إذا كان الأمر كذلك، فاشترِ.
• الحصرية: هل البيانات متاحة كترخيص غير حصري (أرخص) أم استحواذ حصري (مكلف ولكنه يوفر ميزة)؟
• الدقة: هل تحتوي مجموعة البيانات الخارجية على حقيقة أساسية مُحققة لا يمكن لأجهزة الاستشعار/السجلات الداخلية لديك مطابقتها؟

قدر محللو السوق في Gartner سابقًا أنه بحلول عام 2024، ستكون 60٪ من البيانات الخاصة بالذكاء الاصطناعي اصطناعية أو مصدرة خارجيًا لتسريع مبادرات الأعمال الرقمية (https://www.gartner.com/en/newsroom/press-releases/2021-06-24-gartner-identifies-top-10-data-and-analytics-technology-trends-for-2021). بينما مر العام، اشتدت هذه الاتجاهات فقط مع تولي 'الذكاء الاصطناعي المتخصص' مركز الصدارة.

ما يعنيه هذا بالنسبة لك

بالنسبة لمشتري البيانات، يتجه السوق نحو الشفافية. لا تبنِ ما يمكنك ترخيصه بجزء بسيط من تكلفة الهندسة. استخدم d-nvest لقياس الأسعار والتحقق من المصدر. بالنسبة لمالكي البيانات، فإن 'بيانات العادم' الخاصة بك - المعلومات التي تم إنشاؤها بواسطة عملك الأساسي - من المحتمل أن تكون أصلًا عالي الهامش لشخص آخر يعاني من مشكلة 'البداية الباردة'. يتيح لك إدراج أصولك على d-nvest الاستفادة من هذا الطلب بأطر قانونية وتقنية احترافية.