Когда Костаноа открыл свои двери в конце 2012 года, информационная революция была в самом разгаре. Благодаря пересечению Интернета, мобильности и облачных вычислений последовавший за этим информационный взрыв создал уникальные возможности для предпринимателей по выпуску продуктов, которые создают и трансформируют отрасли.
Я видел много изменений в ландшафте стартапов за шесть лет с тех пор, как мы открыли свои двери (или, возможно, наши ноутбуки), но две вещи остались верными:
1. Обеспечение исключительной ценности для клиентов требует глубокого понимания существующего бизнес-процесса. Другими словами, «#AI» не заменяет отличное управление продуктом.
2. Для создания уникальной ценной компании, движимой машинным обучением или искусственным интеллектом, стратегия данных так же важна, как и алгоритм.
ИИ должен решать проблемы, которые нужно решать
Как мы иногда делаем, давайте начнем с конца.
- Даже если вы «человек искусственного интеллекта», вам нужно выбраться из своего пузыря и посмотреть, что компании делают в реальном мире. Сосредоточьтесь на решении важных бизнес-проблем и будьте готовы засучить рукава; поиск проблем реального мира, которые нужно решить, потребует усилий.
- Они также не всегда наиболее очевидны для технической аудитории. Например, компания Aquabyte, которая привносит технологии машинного обучения и компьютерного зрения в отрасль аквакультуры, не придумала свою идею, сидя в комнате и глядя в стену. Брайтон Шанг, основатель Aquabyte, был достаточно любопытным и независимым, чтобы посещать конференции по рыбоводству, чтобы изучить решения и наладить отношения с отраслью. Он встретился с представителями компаний, чтобы узнать, с какими проблемами они сталкиваются, и они обсудили, как они могли бы сотрудничать для совместного решения проблем.
- Легко предположить, что мир постучится в вашу дверь просто потому, что у вас есть определенные навыки ИИ. Но далеко не уедешь. Выйдите и подумайте о других вертикалях и о том, как вы можете использовать свой технологический стек и стратегию обработки данных, чтобы помочь решить более широкий набор проблем.
- Создавайте программное обеспечение, которое собирает данные о пользователях, а затем создает систему с обратной связью, чтобы система со временем становилась лучше. Такая система тестирования не только улучшит данные, но и улучшит алгоритмы. Например, Demandbase использует свой уникальный набор данных, чтобы предсказать, где компаниям следует размещать свою рекламу B2B. Нет другой компании с сопоставимым набором данных, поэтому они знают, что их идеи будут уникальными.
- И сосредоточьтесь на создании ценности для клиентов. Подумайте о том, как вы можете построить стабильную компанию с помощью прикладного стека искусственного интеллекта. Если это не дает большей ценности, чем альтернативы, то почему клиенты должны волноваться? Они этого не сделают. Мы уже прошли пик шумихи вокруг модных словечек ИИ до такой степени, что фраза стала почти бессмысленной.
Отличные данные ›Великие алгоритмы
Даже если команда разработает лучший в своем классе алгоритм искусственного интеллекта в мире для конкретной бизнес-цели, острая конкуренция в приложениях, основанных на искусственном интеллекте, означает, что они, скорее всего, получат мимолетное преимущество без создания уникального и закрытого набора данных. Алгоритмы искусственного интеллекта хороши ровно настолько, насколько хороши данные, которые они обрабатывают, поэтому они тесно связаны при создании решений, создающих ценность. В мире слишком много умных людей, чтобы собирать данные из Интернета или общедоступных наборов данных и верить, что вы построите большой бизнес; Это будет лишь вопросом времени, когда кто-то другой сделает то же самое с более совершенным / умным алгоритмом или UX. Вы окажетесь в гонке за товарами, потому что все остальные смогут извлекать те же данные из тех же наборов данных, что и вы. Источники общедоступных данных могут быть хорошей отправной точкой, но новаторы должны планировать агрегирование, обработку и создание, чтобы сохранить долгосрочное устойчивое преимущество.
Все начинается с ваших данных.
В этом мире прикладного ИИ, так или иначе, вы должны оказаться в конвейере данных. Это можно сделать, подключившись к существующим системам, предоставив промежуточные приложения, привлекающие пользователей, или установив партнерские отношения с пилотными клиентами.
- Подключение к существующим системам
Guardian Analytics предотвращает мошенничество при проведении банковских транзакций за счет интеграции в базовую банковскую платформу, такую как Fiserv или Bottomline. Банк уже находится в системе, поэтому использование доступных API-интерфейсов для прямой интеграции и обучения транзакциям позволяет им предотвращать больше мошенничества с меньшим количеством ложных срабатываний, чем в традиционной системе, основанной на правилах. Этот подход часто требует времени, так как более старые системы могут не иметь хорошо задокументированных API, но Guardian уже некоторое время может подключаться к этим системам. Теперь, когда он интегрирован в более чем 400 финансовых учреждений и оценил миллиарды транзакций, он имеет устойчивое преимущество, которое будет трудно воспроизвести.
- Предоставление промежуточных приложений, привлекающих пользователей
Alation, ведущий поставщик корпоративных каталогов данных (по данным Gartner и Forrester), использует машинное обучение, чтобы помочь пользователям находить, понимать и управлять корпоративными данными. Они создали инструмент SQL-запросов, который упростил им просмотр данных и работу с ними для ответа на такие вопросы, как: что означает это поле, являются ли HP и Hewlett Packard одним и тем же в этом запросе, кто использует это поле чаще всего и в каких отчетах Tableau используется это поле.
Focal Systems использует компьютерное зрение и глубокое обучение для улучшения качества обслуживания клиентов и снижения затрат в обычной розничной торговле. Их цель - исключить товар на складе и предоставить удобное решение для самообслуживания. Они начали с местных бакалейных лавок с тележками, оснащенными Путеводными планшетами. Поскольку планшеты направляют покупателей к определенным товарам в магазине, устройства делают снимки при разном освещении и под разными углами и накапливают данные, стремясь предоставить надежное решение, которое отсутствует на складе, которое отвечает требованиям бакалейщика. Полное развертывание решения, отсутствующего на складе, аналогичным образом помогает фиксировать разнообразие и объем изображений, необходимых для предоставления услуг самообслуживания на таком же или лучшем уровне, как в магазине Amazon Go, с гораздо более низкой стоимостью и доступным для всех.
- Партнерство с пилотными клиентами
Aquabyte решила тесно сотрудничать с несколькими ключевыми пилотными клиентами. Компания разработала первоначальные алгоритмы, основанные на рыбе в испытательных резервуарах, и использовала их для достижения пилотных соглашений с несколькими норвежскими лососевыми хозяйствами. Они используют эти партнерские отношения, чтобы установить в воду более совершенные камеры, которые собирают данные, необходимые для реализации первого варианта использования - обнаружения морских вшей - в реальном мире. Основная идея заключалась в следующем: «Давайте приступим к производству, чтобы мы могли решить важную проблему сегодня, и обучить наши алгоритмы на данных, чтобы со временем мы могли решать еще более серьезные проблемы».
Все эти компании используют прикладной ИИ для решения реальных, зачастую вертикальных, проблем. Но именно их совокупность патентованных данных в конечном итоге позволит им получить полезные и действенные идеи, которые создают защищаемый ров из активов данных, которого нет ни у кого другого.
