В рамках нашей развивающейся инвестиционной стратегии Forward Partners мы все больше заинтересованы в применении искусственного интеллекта (ИИ) во многих сферах деятельности. Цель этой публикации - поделиться некоторыми Что можно делать и нельзя при создании стартапа в области искусственного интеллекта. Если вы работаете над прикладным искусственным интеллектом, подайте заявку в наши Часы работы AI Office, мы будем рады получить от вас известие!
(Не) еще один учебник по ИИ: для тех, кто не знаком с ним, вы можете быстро узнать о последних тенденциях, подписавшись на блоги, микросайты и информационные бюллетени инвесторов. Краткое введение в потенциал технологии ИИ и ее отличие от науки о данных и машинного обучения описано в этом видео, но суть в том, что ИИ переворачивает человеческий интеллект с ног на голову.
Например, человеку необходимо разработать гипотезу, предполагающую связь между переменной (x) и ее влиянием на результат (y). Затем им нужно будет проверить, действительно ли это точный предсказатель наблюдаемого ими результата - обычно с использованием старой доброй регрессионной модели - для определения причинно-следственной связи. Напротив, AI позволяет компьютерам брать тот же набор данных (+ добавлять к нему больше неструктурированных данных), чтобы затем сообщить нам, каковы основные функции и / или отношения между ними.
Таким образом, машинное обучение заменяет потребность людей делать выводы, давая компьютерам возможность учиться от нашего имени. Глубокое обучение - это агрегирование нескольких моделей машинного обучения, одна над другой, что дает достаточно данных для обучения и тестирования компьютерных моделей, которые могут наблюдать сложные закономерности между последовательностями.
Как следующая волна стартапов может использовать эти тенденции? В то время как мы начинаем видеть, как основатели стадии идеи используют ИИ в качестве инструмента поддержки своего бизнеса, для большинства стартапов, находящихся в настоящее время на стадии посевной и последующих стадий, он является фундаментальным экономическая ценность их продукта или услуги. Независимо от того, на чем вы сосредоточены или на каком этапе вы находитесь, мы составили список правил, которые можно и нельзя учитывать при следовании стратегии прикладного искусственного интеллекта. Надеемся, это будет полезно!
Сосредоточьтесь на болевых точках и случаях использования, когда искусственный интеллект может решать ранее неразрешимые проблемы или решать существующие в 10 раз лучше.
Ищите приложения, в которых основные атрибуты искусственного интеллекта представляют собой ясный вариант использования или предлагают потенциал для решения существующих проблем в 10 раз лучше, чем существующие технологии. Например, если вы работаете над ботом с машинным обучением, использующим обработку естественного языка для эффективного выполнения вопросов и ответов, подумайте о наиболее распространенных болевых точках при взаимодействии человека с человеком. Обслуживание клиентов может быть болезненным для потребителей и дорогостоящим для бизнеса, поэтому боты, улучшающие качество обслуживания клиентов, представляют собой очевидный вариант использования. Спустившись на один уровень ниже, традиционные розничные банки, группы обслуживания клиентов которых особенно недоступны, предоставляют возможность боту, который подключается к персональным банковским порталам / данным, одновременно обеспечивая дополнительную ценность, помогая вам отслеживать ваши привычки сбережений или расходов.
Не становитесь решением в поисках проблемы
Вернемся к старой проблеме технический прогресс в сравнении с притяжением рынка: нет более простого способа потратить много времени (и денег), чем разработка передовых технологий искусственного интеллекта, не задумываясь сначала об их приложениях. Хотя многие стартапы в области ИИ были созданы и приобретены (см. Ниже) на основе технических возможностей и страсти к обещаниям технологии ИИ, у них были четкие технические приложения. Тем не менее, следующая волна стартапов в области ИИ будет в первую очередь ориентирована на отрасль и вариант использования.
Используйте готовые решения
Существует множество библиотек с открытым исходным кодом, а также доступное программное обеспечение, предлагающее машинное обучение как услугу. Вы можете найти довольно хороший список здесь и здесь, но, в зависимости от того, над чем вы работаете, некоторые из этих инструментов могут помочь вам начать работу:
Microsoft Azure - это нечто близкое к машинному обучению как услуге, предоставляющее впечатляющий набор инструментов для создания собственных моделей и приложений на основе существующих библиотек простым и интуитивно понятным способом. Точно так же пакет аналитики, созданный на основе IBM Watson, позволяет загружать в него данные, и это возвращает понимание.
Scikit-Learn - это библиотека с открытым исходным кодом для расширенной аналитики на Python, такой как выполнение классификации, кластеризации или регрессии. В сочетании с matplotlib он может производить некоторые мощные идеи и визуализации.
TensorFlow - это программное обеспечение Google Brain (недавно выпущенное с открытым исходным кодом), которое позволяет проводить глубокое обучение ваших данных с помощью нейронных сетей, представленных в графическом виде. Чтобы увидеть это в действии, посмотрите некоторые из этих потрясающих видео.
Apache Spark объединяет ваши существующие рабочие процессы на Python или SQL для выполнения анализа больших наборов данных. Если вы работаете над задачами, требующими обработки естественного языка (синтаксический анализ, сегментация предложений или распознавание речи для анализа тональности), Apache Open NLP также предлагает отличный инструментарий.
Не тратьте свое время и силы на создание инфраструктуры искусственного интеллекта и не зацикливайтесь на проблеме "холодного старта"
Точно так же, как в облачных платформах и сервисах доминировали такие гиганты, как Oracle, IBM, Amazon и Cisco, инфраструктура ИИ останется прерогативой ведущих инженеров Google, Microsoft и Amazon (не говоря уже об армии исследователей, работающих над решениями с открытым исходным кодом). ). Если решение уже существует, зачем пытаться замкнуть круг? Лучше надстроить сверху.
Придумывайте творческие способы создания и получения значимых наборов данных
Данные повсюду ... на таком раннем этапе вы можете просто обдумывать, как построить архитектуру данных, которая поддерживает возможные приложения ИИ. Однако, если вы хотите заняться взломом раньше, почему бы не придумать более творческие идеи по созданию наборов данных с помощью API-интерфейсов в открытых или полезных, платных базах данных. Еще лучше, почему бы не изучить потенциал взаимовыгодного партнерства и инновационных бизнес-моделей, которые позволяют получить доступ к закрытым или труднодоступным данным.
Не сосредотачивайтесь исключительно на внутренней сборке или массивных частных наборах данных
Если вы сосредоточены на этом, вы, вероятно, опоздали на вечеринку ... Было несколько впечатляющих выходов после первой волны исследовательских компаний (в частности, Deepmind и Nnaissence), которые были «наняты» до получения доходов, и вторая волна компаний, занимающихся инфраструктурой машинного обучения, купили вскоре после коммерциализации своих продуктов. Однако следующая волна стартапов в области ИИ будет характеризоваться разрушением вертикалей и существующих цепочек создания стоимости.
Делайте продукт из своей работы и продавайте его снова и снова в поисках масштабируемого бизнеса
В других блогах инвесторов приводятся убедительные доводы в пользу решения отраслевых проблем, в частности, сочетая искусственный интеллект с предметной экспертизой. Подумайте, как вы могли бы создать свою команду, чтобы обеспечить правильный баланс технических ноу-хау, но, что наиболее важно, опыта в области продуктов, дизайна и разработки, которые могут выполнить прикладную часть вашего предложения ИИ. Принципы стартапов, заключающиеся в скорости коммерциализации и реализации продукта, остаются не менее важными, и ваша команда должна это отражать.
Не стоит слишком уверенно относиться к доходам от услуг, консалтинговые услуги сложно масштабировать
Если вы не создаете продукт, платформу или предложение SaaS, велика вероятность, что вы попали в ловушку консультанта. Команды стартапов, экспериментирующие с ИИ, часто представляют собой набор востребованных навыков и возможностей. Хотя вы можете продать их с наценкой или изобразить привлекательных покупателей, вы можете получить гораздо больший приз: экспоненциальный рост.
Обращайте внимание на вертикальные ниши, которые требуют специализации, предоставляемой ИИ, без ущерба для возможностей масштабирования предприятия
Обратите внимание на отрасли, которые в настоящее время лидируют в внедрении ИИ, которые, как правило, уже по своей природе являются высоко цифровыми и первыми внедряют их (высокие технологии, телекоммуникации, финансовые услуги), и подумайте о категориях, в которых ИИ может иметь преобразующее влияние. Например, Стэнфордский университет определил несколько, в том числе: Здравоохранение - для улучшения ухода / диагностики с помощью расширенного анализа и робототехники; Образование - с помощью специализированных систем обучения и аналитики; Сообщества с низким уровнем ресурсов - особенно в вопросах планирования, обеспечения ресурсами и составления расписания; и развлечения - для создания более интерактивного, персонализированного и интересного клиентского опыта. Выберите свою категорию, а затем сфокусируйтесь.
Не используйте возможности, которые могут быть превращены в товар более крупными, хорошо финансируемыми игроками или в конечном итоге представляют лишь крошечный рынок
Поскольку низкоуровневый ИИ и инфраструктура ИИ, основанная на задачах, становится все более коммерчески доступной для крупных технологических компаний, еще более важно сделать шаг назад и поискать возможности «масштабного предприятия» в различных вертикалях. Изучив данные о стартапах в области ИИ, можно увидеть, что две вертикали с сильным представительством - это финтех и здравоохранение, которые отличаются от машинного обучения как услуги (MLaaS) и более широкого ландшафта аналитики.
Во-вторых, то, что объединяет большинство нынешних разрушителей ИИ (и покупателей), - это их ориентация на корпоративные (B2B) приложения, которые, возможно, являются наиболее востребованными, а возможности являются наибольшими из-за огромного количества доступных данных. им. Как могут выглядеть предложения прикладного искусственного интеллекта в различных потребительских предложениях? В качестве мысленного упражнения попробуйте сопоставить атрибуты различных методов искусственного интеллекта с потенциальными рыночными приложениями и начните проверять эти предположения с потенциальными клиентами.
Подводя итог, можно сказать, что прикладной ИИ представляет собой фундаментальный переход от когорты стартапов, ориентированных на идеи продвижения технологий, вдохновленных обещаниями ИИ и «глубоких технологий», к стартапам, для которых характерна рыночная тяга, то есть ставка на первое место варианта использования. Чтобы свести к минимуму некоторые из этих возможностей и ошибок, мы подумали, что вы оцените изображение 2x2 на основе смайликов.
