За последний год мы имели удовольствие приветствовать ряд ведущих компаний, специализирующихся на машинном обучении (ML), в семье Notion. Это стартапы, которые занимаются вертикалями, начиная от автономных транспортных средств (Five.AI) и заканчивая поведенческим мониторингом внутри предприятия (Status Today). Более того, многие из наших существующих портфельных компаний теперь используют машинное обучение для поддержки различных аспектов своих продуктов и получения ускоренной отдачи по мере их продвижения. Как фонд B2B с большим опытом работы в SaaS, мы следим за новыми технологиями, которые могут снизить маржинальные издержки бизнеса почти до нуля и, в свою очередь, задействовать модели на основе подписки. Вот несколько мыслей о том, почему мы оптимистично настроены в отношении новой волны стартапов в области ИИ, и о том, через какую линзу мы анализируем эти возможности.

Текущее AI Summer, третье с 1950-х годов, проявилось в трех волнах. Первый - это компании, ориентированные исключительно на исследования, которые были созданы от 3 до 6 лет назад на базе ведущих академических институтов. Хотя у них были минимальные усилия по коммерциализации, им удалось захватить лучшее серое вещество и добиться значительного прогресса в зарождающейся области, обычно приводя к приобретению. Примеры включают DeepMind, который был приобретен Google в 2014 году, или совсем недавно Nnaissense Юргена Шмидхубера. Затем появились стартапы, которые взяли базовые технологии машинного обучения, обычно на естественном языке или машинном зрении, и упаковали их в API. Такие стартапы, как Wit.AI, приобретенный Facebook, и Alchemy API, приобретенный IBM, с тех пор были добавлены в арсеналы API крупных корпораций.

Это подводит нас к третьей волне, когда компании, применяющие машинное обучение, стремятся к определенной вертикали. Этот сдвиг объясняется рядом факторов. Во-первых, такие игроки, как IBM, Microsoft и Facebook, сумели превратить в товар некоторые из основных строительных блоков за счет приобретений, найма рок-звезд и использования своей огромной технологической инфраструктуры. Мы также заметили, что инструменты искусственного интеллекта становятся более доступными, в том числе наборы данных для обучения, доступные в Интернете, адаптация графических процессоров для глубокого обучения, снижение стоимости облачных вычислений и хранения и т. Д. Также выходит рекордное количество кандидатов наук по ML. ведущих университетов и присоединение или запуск технологических стартапов вместо компаний, предоставляющих профессиональные услуги, с целью коммерциализации этой зарождающейся технологии. Учитывая эти объемы, дифференциация является обязательной, и решение этой задачи - вертикализация. Есть данные, подтверждающие это: учтите, что в SaaS мы видим 38% вертикальных компаний с ACV, превышающими 100 тысяч долларов, по сравнению с только 4% для горизонтальных компаний. Это дало нам ряд компаний, которые занимаются очень специфическими вертикалями - от кредитного скоринга до оптимизации фрезерных станков с ЧПУ.

ИИ третьей волны, с его упором на глубокую специализацию, представляет собой резкий отход от универсальных подходов как в стратегии, так и в потребностях в талантах. Вот три фактора, которые имеют решающее значение для компаний вертикального машинного обучения:

Отраслевой опыт: в отличие от горизонтального программного обеспечения, которое требует более функциональных знаний в области продаж, маркетинга или управления персоналом, вертикальным стартапам, продвигающим новую услугу, потребуются глубокие отраслевые знания, чтобы создать правильный продукт и пройти топ-менеджмент. через более длительные циклы продажи.

Данные. Одно из преимуществ вертикальной ориентации - это возможность сбора уникальных наборов данных, которые корпорациям или традиционным операторам будет сложно получить в свои руки. Выполнение этого на раннем этапе в правильной области может запустить маховик, который укрепит вашу модель, предлагая лучший сервис, который гарантирует дальнейший сбор данных.

Модели. Несмотря на то, что существует целый ряд полезных API машинного обучения, создание основного продукта на основе общедоступных алгоритмов не имеет большого значения для защиты. В то время как использование существующих услуг может иметь смысл для некоторых, в центре внимания третьей отказной компании должны быть лучшие таланты, создающие дифференцированный основной продукт.

В сочетании с правильным рынком, глубоким знанием отрасли, сбором уникальных наборов данных и созданием современных моделей - отличные способы создания конкурентного преимущества. Хотя быть сильным во всех трех аспектах не обязательно, их сочетание и понимание того, в чем заключаются слабые места и как их устранять, имеет решающее значение.

Технологии эпохи Интернета, такие как облако, мобильная связь и методы оптимизации, позволили компаниям значительно более эффективно масштабироваться. Снижая предельные затраты, особенно для компаний на ранней стадии развития, которым еще предстоит масштабироваться, эти технологии позволили новым отраслям промышленности перейти на модели SaaS (например, Uber тестирует модель подписки), обеспечивая гораздо лучший и более глубокий опыт как для пользователей, так и для компании. Мы убеждены, что ML может продолжить эту тенденцию и сделать услуги на порядок лучше, быстрее и дешевле. Европа делает все возможное в этой области, и нам не терпится увидеть, в каких отраслях ИИ третьей волны бросит вызов.

Благодарим Крис Хрисанту, Натана Бенаича, Эрнеста Оппетита, Ника Ле Февра за предложения, правки и подшучивания.