2021年7月にScale AIについて記事をまとめましたが、過去一時期、AI業界ではマグニチュード10クラスの地震が連日発生しており、業界のバリューチェーンも変化しているため、再検討する必要があると考えています。 -前回の調査を検討する 重要な企業なので、Scale AI を再調査に取り出します。
Scale AI は、Alexandr Wang と Lucy Guo によって 2016 年に設立されました。Guo はその後会社を辞めました。Scale AI は 2019 年にユニコーン企業の 1 つとなり、現在の評価額は 73 億ドル、ARR は 3 億ドル近くになりました。Scale AI の中核事業はデータ ラベリングであり、自動運転シナリオから始まり、AI におけるいくつかの主要な機会の出現に対応して、政府、電子商取引、ロボット、大規模モデルなどのシナリオに切り込んでいます。過去の業界。Alex の超個人的な能力と優れたチームの実行力の恩恵を受けて、Scale AI は、あらゆる大きなトレンドが到来したときに機会を素早く捉え、対応する製品を発売し、細分化された分野で非常に高い市場シェアをすぐに達成することができます。
現在、Scale AI は MLOps や LLM の分野に積極的に参入し、さまざまなツール、プラットフォーム、サービスを提供しています。これには、電子商取引シナリオ用の画像生成ツールである Scale Catalog、大規模言語モデル開発者ツール プラットフォームである Scale Spellbook、合成データ製品である Scale Synthetic などが含まれます。しかし、調査結果によれば、これらの新興ビジネスはスケール AI が第 2 の成長曲線を模索する試みにすぎず、製品の販売も理想的なものではなく、最終的に安定した需要を獲得し貢献できるのはデータラベリング ビジネスであると考えられます。主な収入。
会社のビジネス状況の最新情報に加えて、大規模モデルでデータ アノテーションが果たす役割、データ アノテーションのビジネス モデル、Scale AI のコーポレート ガバナンスの問題、Scale AI の将来の開発などの重要な問題についても議論しました。
さらに、Scale AI は AI 業界のチャンスを観察するための優れたニッチ市場であると考えています。業界に新しいトレンドが生まれると、それらは Scale AI の製品ラインに反映され、一般に公開されるようになります。Scale AIの製品アップデートは非常に注目に値します。
この記事のディレクトリは次のとおりです
要点をまとめて目的を絞って読むことをお勧めします
01 産業
02製品
03チーム
04 コンテスト
05 現在の結論と判断
01.産業
業界紹介
データ ラベリングは Scale AI の中核となるビジネスです。モデル開発の上流段階であるデータのラベル付けには、生データを識別し、そのデータに 1 つ以上のラベルを追加することが含まれます。データの種類には構造化データと非構造化データがあり、後者には画像、ビデオ、3D (LiDAR、レーダーなど)、テキスト、音声などが含まれます。
出典：スケールAI公式サイト
データラベリングの核となるのは品質と効率ですが、データラベリングのクライアント企業にとって、データラベリングは自社の本業ではないため、アウトソーシングに強い意欲を持っています。顧客のラベル付けデータは、主に社内の自社チーム、クラウドソーシング プラットフォーム、およびサードパーティのデータラベル付けスタートアップとの協力を通じて行われます。Scale AI に加えて、このトラックのプレーヤーには Dataloop、SuperAnnotate、Labelbox、Snorkel、V7、Appen などが含まれます。同じクライアント企業内の異なる部門は、異なるニーズやシナリオに応じて、プレーヤーをマークするために異なるデータを選択する場合があります。
初期の頃は、機械学習モデルのトレーニング データ セットを構築および蓄積するために、すべてのデータに手動でラベルが付けられていました。データに手動でラベルを付けることには時間とコストがかかりますが、精度などの点で利点があります。データラベル付け会社は、フィリピン、ケニア、ベネズエラなど、人件費が比較的安い国や地域で適切なデータラベル付け担当者を探すことがよくあります。
機械学習モデルの開発により、自動データラベル付けの精度が向上し、モデルを使用してデータを前処理してラベル付け者に送信したり、与えられたラベル付け結果をレビューして修正したりする監査人としての人間など、手動ラベル付けを支援するためにモデルを使用できます。モデルなどによって 純粋な手動ラベル付けと比較して、AI 支援ラベル付けはデータのラベル付けを高速化します。現在、Scale AI などのデータラベル付け会社は、データラベル付けプロセスに手動で参加する割合を減らすために懸命に取り組んでいます。
上記の 2 つのソリューションが現時点でのデータ ラベリングの主な形式ですが、将来モデルによるデータ ラベリングが可能になるかどうかについては、現在の判断は「No」です。手動のラベル付けを通じてデータと例を蓄積する必要があり、その後、ラベル付けを自動的に完了できるモデルをトレーニングすることが可能です。
大規模なモデルでもデータのラベル付けが必要ですか?
以前は、機械学習には教師あり学習が必要であり、大量のデータのラベル付けが必要でした。モデルが大きくなるにつれて、データ量の需要が増加し、データのラベル付けにかかる時間とコストが制御できなくなり、高品質のラベル付けデータの作成速度が大規模モデルのニーズを満たすことができなくなります。しかし、教師なし学習の出現後、機械学習は目的を持ったトレーニング方法を必要とせず、結果を事前に予測することもできないため、データにラベルを付ける必要もなくなりました。強化学習にはデータのラベル付けは必要ありません。強化学習のフィードバックは、ラベルや値ではなく、一連の行動を学習するための報酬メカニズムを通じて行われます。
事前学習モデルは教師あり学習から教師なし学習への飛躍を遂げており、 OpenAI の GPT-1 から GPT-3 もこのルートを採用しているため、過去の期間、多くの人がデータ アノテーションの価値について懸念していました。大型モデルの時代。しかし、ChatGPT の登場により、この懸念は軽減されました。ChatGPT は、強化学習と人間によるフィードバックを使用して、モデルと人間の指示との整合性を向上させます。つまり、大量のデータ アノテーションを伴う RLHF (Reinforcement Learning from Human Feedback)仕事。
また、RLHF のデータラベル付けは、これまでの低コストの人件費で行われる単純なデータラベル付け作業とは異なり、非常に専門的な人材がエントリを作成し、対応する質問や指示に対して人間の論理と表現に準拠した質の高い回答を提供する必要があります。OpenAI は RLHF ラベル付けを行うために数十人の PhD を採用したと言われていますが、Scale も OpenAI の上流サプライヤーとして、OpenAI にそのようなサービスを提供するために数十人の PhD を採用しました。具体的な分業とは、Scale がより多くのラベル付けアクションを実行するというものです。 OpenAI は品質テストに重点を置いています。注釈付きデータは、ChatGPT のパフォーマンスが他の競合他社と異なる理由の 1 つです。Googleの技術専門家は、ChatGPTの登場後、Googleもデータラベル付けの問題を反省していると述べた。
02. 製品
製品のアップデート
Scale AI の中核となるビジネスは、非常に豊富な製品ラインに加えて、データ アノテーションです。製品は主に、データアノテーション（Annotate）、管理と評価（Manage & Evaluate）、自動化（Automate）、合成（Generate）の 4 つのカテゴリに分類されます。
スケールは自動運転分野のラベリングからスタートし、自動運転や地図などの業界で好調で、2年前には同社の受注の80～90％が自動運転（2D、3D、ライダーなど）からのものだった。そしてその割合は近年増加しています。実際、Scale AI のラベリング製品の開発と販売は、根底にある業界動向やさまざまな産業の発展と大きく関係しており、自動運転に続いて、Scale のデータラベリングの注文は政府、電子商取引 (小売カタログ) からも来ています。 、ロボット、大型モデル（RLHF）およびその他の分野は、過去数年間の AI 業界のいくつかの主要なトレンドと機会に対応しています。それぞれの主要なトレンドが到来すると、スケールはシグナルを鋭く捉え、対応する人材を迅速に採用し、対応する製品を発売し、セグメント化された分野で非常に高い市場シェアを迅速に達成することができます。
データ注釈に加えて、注目すべき製品には、Scale Catalog、Scale Spellbook、Scale Synthetic などがあります。
• Scale Catalog は主に電子商取引および小売企業を対象としており、ラベル付けサービスの提供に加えて、製品マップの自動生成も可能であり、Generative AI アプリケーション分野への Scale の参入の中核となる製品です。
• Scale Spellbook は 、Scale が最近多額の投資を行っているビジネスです。Scale のコア人材を結集して、大規模な言語モデルに基づいた開発者向けのツール プラットフォームを構築します。
• Scale Synthetic は 、データを合成するためのツールです。モデル パラメーターが増加し続け、モダリティが強化され続けるにつれて、データ量の要件がますます高くなっています。実際のデータ量では需要を満たすことができなくなり、合成データが使用され始めています。注目を集める。
Scale の製品拡張の観点から見ると、Scale は MLOps と LLM の分野に非常に積極的に参入し、さまざまなツール、プラットフォーム、サービスを提供しています。しかし、これらはスケール社が第 2 の成長曲線を模索する試みにすぎず、製品の売上は理想的ではなく、最終的には安定した需要があり、主な収益に貢献できるのはデータラベリングです。
顧客とビジネスモデル
スケール社のラベル貼り作業員は主にベネズエラ、ケニア、フィリピンなど比較的賃金の安い国から採用されており、顧客は主にアメリカの企業で、グローバル裁定取引のようなビジネスモデルで粗利が高い。
出典：スケールAI公式サイト
主要顧客のリストは次のとおりです。
ビジネスモデルに関しては、Scaleの公式Webサイトで各製品の価格が標準化されており、価格モデルは従量制モデルとなっています。たとえば、スケール画像の開始価格は画像あたり 2 セント、テキストあたり 6 セントです。スケール ビデオの開始価格はビデオ フレームあたり 13 セント、テキストあたり 3 セントです。スケール テキストの開始価格は 1 枚あたり 5 セントです。タスク、および各テキスト コールアウトは 3 セント、スケール ドキュメント Al はタスクあたり 2 セント、コールアウトあたり 7 セントから始まります。さらに、企業向けの課金方法もあります。つまり、特定の企業レベルのプロジェクトのデータ量とサービスに基づいて課金されます。
Scaleの顧客のほとんどは企業顧客であるため、実際の収入のほとんどはプロジェクトベースの収入であり、顧客単価は数十万ドルから数千万ドルの範囲にあります。スケールの２０２２年の売上高は２億９０００万ドル、粗利率は約７０％と予想されている。同社は 2021 年 4 月に 3 億 2,500 万ドルのシリーズ E 資金調達を完了し、投資家には Dragoneer、Greenoaks、Tiger Global などが含まれ、評価額は 73 億ドルとなっています。
03.チーム_
Scale AI は 2016 年に Y Combinator 起業家プロジェクトで誕生し、創設者は Alexandr Wang と Lucy Guo (Lucy は 2018 年に Scale AI を去り、株式の 6% を保持) であり、2 人の創設者は深い技術的背景を持っています。
Alexandr Wang は 1997 年生まれです。彼は 2014 年に Quora に入社し、Quora で Lucy Guo と出会いました。高校時代にシリコンバレーの多くのテクノロジー企業からオファーを受け、その後 MIT で機械学習を学びました。選択科目はすべて大学院レベルのコンピューター サイエンスでした。コース、1年後、断固としてMITを中退しました。2016 年、Alexandr Wang と Lucy Guo は YC 中に Scale を設立しました。
Alexandr Wang は、2011 年に米国数学人材検索 (USAMTS) で銅メダル、2012 年に金メダルを獲得し、2013 年には米国数学オリンピックで全国トップ 30 に入り、数学者になりたい人ランキングで 3 位になりました。競争 ; 2014 年に米国全国物理オリンピック (USAPhO) に参加して準決勝に進出し、2018 年には「30 歳未満の 30 人」リストに名を連ねました。
Alexandr Wang の履歴書は非常に印象的ですが、彼に対するみんなの評価はまちまちです。彼は非常に賢く、自信があり、有能で、対外的な関係を維持するのが得意で、シリコンバレーの主要人物との関係構築に多くの時間を費やしています。彼はまた、ブランディングとマーケティングにも非常に優れており、良好な個人イメージと企業イメージを形成しています。スケール社と他の競合他社との違いは、主にアレックスの知名度と宣伝によるものであると考えられており、それが同社に大量の注文をもたらしています。 。しかし、アレックスは年齢が若いためか、会社経営の経験が比較的浅く、会社の内部管理は貧弱で、多くの人材がスケール社に流出したり入社したがらなかったり、社内にはさまざまな矛盾も抱えています。何人かの退職幹部へのインタビューでは非常に否定的なコメントを聞きましたが、多くの従業員インタビューでアレックスに対する心からの感謝の気持ちを感じた従業員もいます。
チーム全体として見ると、Scale の全体的な実行力は非常に強力で、仕事のリズムと企業文化は非常に急進的で、一流大学の新卒者を採用することを好みます。彼らは賢く、勤勉で、実行力が高く、意欲的です。 Scale の「ボリューム」はシリコンバレーでは非常に有名です。
04.コンテスト
Scale の競合他社には、自社で構築したデータ ラベル付けチーム、Google、Microsoft、Amazon などのテクノロジー大手のデータ ラベル付けサービス、およびデータ ラベル付けの新興企業が含まれます。
1 つを入力します。
社内で独自に構築したデータラベル付けチーム
データによっては機密性が高いため、Scale などのアウトソーシング ソリューションを補完するものとして独自のデータラベル付けチームを構築することを選択する企業もあります。たとえば、Airbnb は内部データラベル付け製品を使用してプライベートデータにラベルを付け、社内の機械学習モデルで使用していますが、機密性の低いデータについては通常、ラベル付けをサードパーティのサプライヤーに委託しています。
理由は 3 つあります。
• サードパーティのサプライヤーによるデータ注釈は、Airbnb の社内の自社チームよりも安価な場合があります。
• サードパーティのサプライヤーは柔軟性があり、Airbnb のニーズに応じて柔軟に調整できます。
• データのラベル付けは Airbnb の主要なビジネスではないため、サードパーティ サプライヤーのツールを使用すると、より正確かつ効率的にラベル付けを完了できます。
2 つを入力します。
Google、Microsoft、Amazonなどのテクノロジー大手
スケールにとって、これらのテクノロジー大手は顧客であると同時に競合他社でもあります。Google、Amazon、Microsoft などのテクノロジー大手は、規模の経済と大手企業の広範な製品コレクションにより、他のプロバイダーよりも有利です。たとえば、Scale は AWS 上のデータを処理し、ラベルを付けます。顧客が Scale によってラベル付けされたデータを S3 に保存したい場合、Scale へのアクセス許可を有効にする必要があります。そうすれば、Scale はラベル付きデータを顧客の S3 ストレージスペースに配置します。追加費用が発生します。ただし、顧客データがすでに Google、Amazon、Microsoft のクラウド プラットフォームに保存されており、そのデータが製品やサービスのラベル付けに使用されている場合は、アクセス承認やモバイル データなどの手順を実行する必要はありません。
さらに、Microsoft、Amazon、Google などの大手テクノロジー企業は、顧客がすべての問題を解決し、すべての製品とサービスを 1 つのプラットフォームで購入できることを望んでおり、製品のパッケージ内の 1 つの製品に対していくつかの割引を提供したり、さらには無料ツールを直接提供するため、スケールに対する競争圧力が生じます。しかし、Microsoft などの大手テクノロジー企業のほとんどはソフトウェアとツールのみを提供し、人的サービスは提供していないため、顧客は人的作業を自分で引き受けなければなりません。Scale は、手動によるデータのラベル付けやその他の人的サービスを提供しており、大手テクノロジー企業との競争において独自の利点もあります。
3 つを入力します。
データアノテーションスタートアップ企業
Dataloop、SuperAnnotate、Labelbox、Snorkel、V7、Appen など。
スノーケル
Snorkel は、ユーザーが注釈タスクを作成できるようにするための多数のテンプレートを提供し、ホスティング サービスも提供します。Snorkel は、TensorFlow、Kubernetes、および DAS と優れた統合を備えています。Snorkel と Scale はどちらもデータ ラベリングの分野では比較的大手のサプライヤーであり、一部の専門家は、Snorkel が将来的に Scale と同じ軌道に乗ることはないと考えていますが、両社とも順調に成長すると考えています。Scale と比較した場合、Snorkel の利点は、テキストと NLP に重点を置いており、コストが低いことです。そのため、ユーザーがテキスト データのみを処理する場合は、通常、Scale ではなく Snorkel を選択します。シュノーケルの欠点は、ビデオ、画像、地図などの処理能力が非常に限られていることです。
スーパーアノテート
SuperAnnotate は、データ アノテーション業界の重要なサプライヤーの 1 つです。機能が豊富で、ユーザーは Python などの形式でさまざまなラベルを抽出したり、SQL を使用して画像の一括検索を実行したり、SQL をデータベースと結合したりすることができます。SuperAnnotate の Scale に対する利点は、医療業界とワークフローにあります。医療面では、SuperAnnotate は HIPAA に準拠していますが、Scale は準拠していません。SuperAnnotate は指示の提供などのワークフローを作成する能力が高く、この点では Scale が追いつきつつありますが、SuperAnnotate のレベルには達していません。しかし全体として、SuperAnnotate の欠点は、注釈の品質が Scale ほど良くないことです。
ラベルボックス
Labelbox のビジネス モデルは Scale とは少し異なります。Labelbox はユーザーにプラットフォームを提供します。ユーザーは自分のデータにラベルを付けるか、他のサービスを使用するかを選択できますが、顧客は Labelbox プラットフォームを内部データ ラベル付けツールとして使用する必要があります。Labelbox は米国国防総省のセキュリティ審査に合格しており、GCP と提携して GCP Cloud と Google Cloud を推進するなど、さまざまな組織との連携も行っています。
05. 現在の結論と判断
なぜ楽観的なのか
1. データラベル付けのアウトソーシングのニーズの決定
データラベル付けのアウトソーシングに対する需要は明らかであり、スタートアップ企業には大きな余地が与えられています。
一方で、顧客の観点から見ると、データのラベル付けは AI 企業の従業員にとって汚れた仕事であり、多くの時間を費やし、アルゴリズムなどのコアリンクから気をそらすことになります。ラベル付けに時間がかかる。
一方で、ROI の観点から見ると、データラベリング作業のほとんどはラベラーに対する要求が高くありません。つまり、アメリカ人労働者が行うことができる作業はケニア人労働者でも行うことができ、品質の差は大きくなります。偉くならないでください。したがって、データが特にプライベートではない場合、または RLHF シナリオの意味理解などの他の機能を必要としない場合は、低コストの国や地域でサードパーティの労働力を通じてラベル付け作業を完了することの ROI が高くなります。したがって、データラベル付けのアウトソーシングに対する需要は非常に明白であり、スタートアップ企業には長期的なチャンスがあります。
2. データはトラック上のトッププレーヤーをマークし、強力なヘッド効果とブランド効果をもたらします。
データラベリング分野では Scale が絶対的なリーダーであり、手動ラベリングと「自動 + 手動」のラベリング手法が今後 5 ～ 10 年にわたって長期にわたって存在すると考えると、現時点では Scale が常にリードを維持することになります。最も現実的な顧客と注文の観点から見ると、米国のほとんどの企業顧客は、Scale をサードパーティのデータ ラベル付けサービス プロバイダーの顧客ベースとしてしか認識していません。
Scale の営業チームが企業顧客に売り込みをしていたとき、彼らが遭遇した唯一の競合相手は「大規模工場内で自社構築されたチーム」のソリューションであり、他の新興企業はほとんどありませんでした。SMB市場の他のスタートアップ企業や、あまり知られていない企業への販売のみに遭遇することになります。ヘッド効果とブランド効果は非常に明白です。ブランド効果に関してもう一つの視点を加えると、ある顧客はこう言いました：「Scale と他のデータラベリング会社は iPhone と Android の関係に似ています。」Scale のブランド効果の形成は、Scale の強力な PR とも切り離すことができません。アレックス自身と彼のチーム、そしてマーケティング能力。
3. スケール効果が現れた
データラベルトラックにはスケール効果があります。顧客がデータラベリングに注目するのは主に「品質」と「効率」の2つの側面であり、データラベリングはハイテクな作業ではないため、品質と効率の向上には経験が重要な役割を果たします。ここでの経験には、データのラベル付けにおける作業者の経験と、プロセス全体とシステムの管理における Scale の経験が含まれます。エクスペリエンスはある程度、規模と量にも密接に関係しており、規模が大きければ大きいほど、ラベル付きデータの量が多くなり、エクスペリエンスがより成熟して豊かになり、ラベル付きデータの品質と効率が高くなります。
トラックの主導的プレーヤーとして、企業顧客と協力しているスケールの注文量とデータ量は、他の競合他社よりもはるかに大きいです。さらに、スケールは、トレンドの各波が現れたばかりのときに、新興市場に迅速に参入できます。より早く「経験」を積めば、 、後続の競合他社が追いつくのは困難になります。
一方、Scale は手動ラベル付けの経験を自動化ソリューションに蓄積してきました。業界発展の初期段階では手動ラベル付けが採用され、業界が成熟すると、データに適応する自動ラベル付けモデルをトレーニングできるようになりました。特定の分野においては、「自動化＋手動」ソリューションとなることで効率が大幅に向上します。注文量とデータ量が十分に大きい場合、ラベル付けモデルをより迅速かつ効率的に最適化することもできます。したがって、Scale のスケール効果は非常に明白です。
4. 創業者およびチームの総合力と実行力
アレックスについてはチームセクションでも紹介されていますが、非常に賢く、積極的で競争力のある若者で、 アレックスはテクノロジーにおける優れた才能だけでなく、オペレーション、ブランディング、マーケティング、セールス、ソーシャルスキルなど総合力が高い。Scale チームの総合的な能力も非常に優れており、特に運用能力、データラベル付けのプロセス全体とシステムの管理が優れています。Scale のプロセスと管理システム、エクスペリエンス管理の効果と効率は、データ ワーカーの管理方法、労働力の割り当て方法、動機付けまたは処罰の方法、品質の確認方法、顧客へのデータの引き渡し方法など、他の競合他社よりも大幅に優れています。顧客にサービスを提供する方法、顧客のフィードバックに基づいてラベルの品質を向上させるためにデータを再ラベルする方法など、リンク全体は非常に複雑ですが、Scale のトップクラスの学生はプロセス全体をうまく処理でき、すべてのリンクが非常に効率的でスムーズかつ正確です。そして、アレックスは多くのことについて実践的、または個人的に監督もしています。チーム全体の質と実行力は非常に強力です。
なぜ楽観的ではないのか
1. 企業経営リスク
創設者とチームは明るい材料であると同時にリスクでもあります。チームの項で述べたように、創設者とチームについて言及した後、アレックスに対するみんなの評価は非常に極端で断片的であることがわかりました。 「アレックスが会社経営において無能だと感じていたことを評価できない。非常に大きな質問だ。」これは、過去 2 年間の私たちの研究でこのように断片的な参照結果が含まれる最初のプロジェクトである可能性があります。
企業経営や企業文化の面では、スケール社は若手社員に十分な成長機会と育成スペース、迅速かつ明確な昇進の機会、十分なインセンティブを提供しているが、同時に古参社員間の人間関係に多くの問題を抱えている。 、したがって、それらの間には大きな対立と矛盾があります。さらに、スケール社の集中力の高い仕事と積極的な経営スタイルも、深刻な頭脳流出を引き起こしたり、多くの才能ある人材が会社を選ぶ意欲を失ったりしている。私たちは、企業経営と企業文化がスケールの最大のリスクであると考えています。
2. 需要と成長のリスク
データ アノテーションの需要は、特定の業界サイクルに大きく影響され、AI トレンドの各波が勃発すると、非常に急激な成長が見られますが、業界が安定的に発展するか成熟すると、成長曲線は次の波まで平坦になり始めます。 AI トレンド: 大きなトレンドの勃発に伴い、需要と成長は大きく変動します。また、スケールはプロジェクトベースが多く、プロジェクトの量、サイクル、安定性、受注量などは不確実性が高く、予測が困難です。データラベリング業務自体は人手がかかり、ラベリング作業に多くの人員が必要である チーム構築業務に属する 短期的に人員の効率化を図ることが難しく、達成が難しい継続的な複利。
一方、Scale チームは、MLOps、LLM ツール、生成 AI などに取り組んできて、第 2 の成長曲線を見つけるために懸命に取り組んできましたが、現在の結果は満足のいくものではなく、第 2 の安定した成長曲線はまだ見つかっていない。データラベリングビジネスに長期間依存すると、上限が制限されます。想像力と安定成長の余地がなければ、企業は流通市場に流れ、過小評価のリスクを負うことになります。
3. 供給側のリスク
スケールがこれまで供給側に展開してきた国や地域は、近年、人件費の高騰に見舞われています。最も典型的なケースは、フィリピンやその他の東南アジア地域です。フィリピンでの労働力価格の上昇後、スケールは国内で人員を採用することはほとんどありません。フィリピン。サプライサイドのコストが上昇し、スケール社の粗利スペースが圧迫されており、上場後、投資家にとって粗利が着実に増加しているかどうかは最も重要な基準の1つであり、粗利が減少した場合、それは非常に不利なシグナルとなる。さらに、供給側の採用プロセスの標準化と安定性も当社の懸念事項です。
最後に、視点を追加したいと思います。私たちは、Scale が AI 業界の機会を観察するための優れた生態学的ニッチであると信じています。業界に新しいトレンドが発生すると、Scale はすぐにシグナルを捕捉し、対応するデータを迅速に起動できます。注釈製品。一般に公開されます。スケールの製品革新は引き続き注目に値します。