Изображение предоставлено: Панченко Владимир/Shutterstock

Ажиотаж вокруг искусственного интеллекта/машинного обучения достиг мифических масштабов. Некоторые комментаторы называют ИИ четвертой промышленной революцией. Другие называют это новым электричеством. А я верующий. Невероятное количество денег вливается в компании, ориентированные на AI/ML, поскольку они могут произвести революцию в большинстве, если не во всех отраслях. См. график ниже.

Избегайте ловушки — сосредоточьтесь на реальных проблемах

Такая крупная технологическая революция заслуживает широкого и глубокого финансирования, что потенциально оправдывает вложения долларов в космос. Но я обеспокоен тем, что многие предприниматели попадают в ловушку, сосредотачиваясь на инфраструктуре ИИ — алгоритмах и платформах — а не на приложениях.

Успешные компании обычно начинают с решения конкретной проблемы клиента и со временем развиваются, предлагая более широкие «платформы» на основе решения. Важны конкретные решаемые бизнес-задачи, а не сама технология. Но, учитывая экзотику технологии, легко увязнуть в алгоритмах и моделях и игнорировать приложения.

Итак, что делает стартап AI/ML отличным? Если вы попытаетесь обобщить его, он сводится к компании, которая сосредоточена на одном или нескольких из следующих элементов:

  • Устранение/сокращение человеческого труда в областях, которые ранее считались трудно автоматизируемыми.
  • Использование пробелов, возникших из-за новой возможности (новые продукты/услуги, которые ранее не были рентабельными/возможными)
  • Значительно повысить ценность традиционных приложений за счет внедрения в них методов машинного обучения.

Почему вам следует избегать горизонтальной платформы машинного обучения

Вы заметили, что нет категории для платформ машинного обучения? Вот несколько причин для этого. Интернет-компании, такие как Google и Facebook, не только вкладывают значительные средства в AI/ML, но и приняли стратегию открытого исходного кода своих инструментов и платформ. С веб-компаниями трудно конкурировать, учитывая их доступ к огромным ресурсам и уникальным закрытым наборам данных. Если вы попытаетесь дифференцировать свой стартап на основе этих возможностей, вы окажетесь в невыгодном положении по сравнению с «большими парнями».

Кроме того, широко известная нехватка специалистов по обработке и анализу данных влияет на способность клиентов использовать преимущества платформ и алгоритмов. Это отсутствие опыта в области ИИ означает, что у клиентов нет возможности создавать свои собственные ИИ/МО, поэтому стартап с горизонтальной платформой оказывается в роли профессиональных услуг, помогая каждому клиенту определять и достигать свои конкретные цели.

Еще один важный аспект, о котором должны помнить предприниматели, создающие горизонтальные платформы ИИ, — это сложность процесса выхода на рынок. Разные вертикали могут иметь разное покупательское поведение. И вам может понадобиться обратиться к разным вертикалям через разные каналы. Конечно, прежде чем выбрать вертикаль, вы должны быть уверены, что она обещает достаточный масштаб и рост для поддержки крупного бизнеса.

Выбор отрасли, на которую следует обратить внимание

Если ваша модель машинного обучения может быть применена к нескольким отраслям, то вот некоторые из переменных, которые вы должны обдумать, прежде чем решить, на какой из них сосредоточиться:

  • Стоимость развертывания. Сколько будет стоить вашему клиенту не только покупка вашей технологии, но и переход от текущего решения к новому? Например, если рабочий на производстве в Китае зарабатывает 6000 долларов в год, а робот, который заменит этого работника, требует капитальных затрат даже в 40 тысяч долларов, минимальный срок окупаемости составляет 6+ лет (не включая эксплуатационные расходы). Это вряд ли будет привлекательным для среднего управляющего фабрикой.
  • Добавленная стоимость сверх затрат. Какую ценность предлагает ваше программное обеспечение на основе машинного обучения помимо замены рабочей силы? Лучшее качество, повышенная удовлетворенность клиентов, меньше ошибок, более высокая производительность или пропускная способность и т. д.? Например, когда дело доходит до найма, у людей есть предубеждения и пристрастия. Поэтому такие стартапы, как Gild, Entelo и Textio, разработали программное обеспечение на основе машинного обучения, которое автоматизирует найм без этих предубеждений.
  • Вопросы регулирования/соблюдения. Существует ли множество бюрократических проволочек, которые могут усложнить принятие вашего предложения? Очевидным примером здесь являются автономные автомобили.
  • Противоречивые цели у потенциальных клиентов. Масштаб, в котором ИИ/МО устранит/сократит человеческий труд, вероятно, будет значительно больше, чем любая предшествующая технология, что приведет к гораздо более высокому сопротивлению. Потеряют ли команды людей, которых вы продаете, работу из-за вашей технологии? Например, основной проблемой ИТ-аутсорсинговых компаний, которые выставляют счета на почасовую оплату, является сокращение «рутинных» работ по техническому обслуживанию благодаря автоматизации.
  • Готовность промышленности. Иногда отрасль просто не готова принять новое решение из-за крайнего неприятия риска. Мы видим это в отраслях, в которых стимулы ориентированы на время безотказной работы, а не на эффективность, и также могут быть наказаны за простои. Прекрасным примером в этой категории может быть эксплуатация электрической сети. Очевидно, что если рынок огромен и имеется достаточный капитал, может иметь смысл альтернативная стратегия — например, готовность Uber бороться с регулированием и профсоюзами таксистов по всему миру.

Таким образом, чтобы максимально использовать огромные возможности AI/ML, вы должны:

  • Избегайте областей, в которых крупные интернет-компании имеют структурные преимущества.
  • Выберите плацдарм отрасли/набор вариантов использования, в которых ваш продукт решает четкую проблему, а покупатель по своей природе не конфликтует.
  • Выберите целевую отрасль на основе степени готовности отрасли к внедрению технологий искусственного интеллекта и машинного обучения без серьезных нормативных препятствий для внедрения.

Источник:PREETI RATHI, IGNITION PARTNERS@PREET1RATHI ФЕВРАЛЬ