Mich beschäftigt das schon eine Weile: Spotify, Netflix, YouTube – alle investieren Millionen in proprietäre Recommendation-Engines, obwohl es mittlerweile solide Open-Source-Alternativen gibt. Ist das wirklich noch Wettbewerbsvorteil oder einfach nur Pfadabhängigkeit und die klassische Not-Invented-Here-Mentalität? Und falls es tatsächlich noch einen echten Edge gibt – können wir das irgendwie quantifizieren oder ist das eher ein Mythos der Tech-Industrie?
tobi404 Hab das selbst bei nem Startup beobachtet: Die haben ne Open-Source-Lösung genommen, sind damit aber kläglich gescheitert, weil die Feinheiten im Tuning – Kontextualisierung, A/B-Testing im großen Maßstab, spezifische Nutzerverhalten – einfach nicht abgedeckt waren. MMn ist es weniger Not-Invented-Here als vielmehr, dass diese Plattformen inzwischen so viele spezifische Edge Cases haben, dass ein generischer Ansatz einfach nicht konkurrenzfähig ist. Der echte Vorteil liegt weniger im Algo selbst, sondern in den Jahren an Datentuning und Domänenwissen – das lässt sich nicht so einfach open-sourcen, bzw. wäre dann ja kein Vorteil mehr.
MikeReal Ah ja, das ist eh der klassische Punkt – sobald du in Produktion gehst, merkst du schnell, dass der generische Ansatz nur die halbe Miete ist. Die Open-Source-Lösung ist sozusagen die Baseline, aber das echte Geld liegt im "Know-how, wie man die für deine spezifischen Nutzer* tuned", ne?
Mich würd aber interessieren: Bei dem Startup, das gescheitert ist – was war denn der konkrete Breaking Point? War's, dass sie mit den Open-Source-Tools nicht den Throughput geschafft haben, oder war's eher, dass die Qualität der Recommendations einfach nicht mitgespielt hat? Weil da gibt's ja einen Unterschied zwischen "das Tool kann's nicht technisch" und "das Tool kann's, aber wir haben nicht die Ressourcen/Zeit, es für unseren Use Case zu optimieren".
