Как избежать коммерциализации ИИ: 3 тактики для запуска успешных пилотных программ
появлением моделей искусственного интеллекта с открытым исходным кодом коммерциализация этой новаторской технологии наступила. Легко попасть в ловушку, нацелив недавно выпущенную модель на желательный технологический демографический и надеяться, что он поймает.
Создание рва, когда так много моделей легко доступны, создает дилемму для стартапов ИИ на ранней стадии, но использование глубоких отношений с клиентами в вашем домене - простая, но эффективная тактика.
Настоящий ров - это сочетание моделей искусственного интеллекта, обученных на собственных данных, а также глубокое понимание того, как эксперт выполняет свои повседневные задачи для решения тонких проблем рабочего процесса.
В высокорегулируемых отраслях, где результаты имеют реальные последствия, хранение данных должно проходить высокую планку проверок соответствия. Как правило, клиенты предпочитают компании с предыдущим послужным списком стартапам, что продвигает индустрию фрагментированных наборов данных, где ни один игрок не имеет доступа ко всем данным. Сегодня у нас есть мультимодальная реальность, в которой игроки всех размеров держат наборы данных за высокосовместимыми серверами с стенами.
Это дает возможность стартапам с существующими отношениями подойти к потенциальным клиентам, которые обычно передают свою технологию на аутсорсинг, чтобы запустить тестовый пилотный проект со своим программным обеспечением для решения конкретных проблем клиентов. Эти отношения могут возникнуть через соучредителей, инвесторов, консультантов или даже предыдущие профессиональные сети.
Настоящий ров - это сочетание моделей искусственного интеллекта, обученных на собственных данных, а также глубокое понимание того, как эксперт выполняет свои повседневные задачи для решения тонких проблем рабочего процесса.
Демонстрация тангенциальных учетных данных клиентов является эффективным способом укрепления доверия: положительные показатели включают в себя членов команды из университета, известного экспертами в области искусственного интеллекта, сильную демонстрацию, где прототип позволяет потенциальным клиентам визуализировать результаты, или четкий анализ бизнес-кейса того, как ваше решение поможет им сэкономить или заработать деньги.
Одна из ошибок, которую основатели обычно совершают на данном этапе, заключается в том, что создание моделей клиентских данных достаточно для рынка продукта и дифференциации. На самом деле, найти PMF гораздо сложнее: просто бросание ИИ в проблему создает проблемы, связанные с точностью и принятием клиентов.
Очистка высокой планки увеличения опытных экспертов в высокорегулируемых отраслях, которые обладают сложными знаниями о повседневных изменениях, как правило, оказывается сложной задачей. Даже модели искусственного интеллекта, которые хорошо обучены данным, могут не иметь точности и нюансов экспертных знаний в области или, что более важно, какой-либо связи с реальностью.
Система отслеживания рисков, обученная десятилетним данным, может не иметь представления о разговорах отраслевых экспертов или последних новостях, которые могут сделать ранее предусматривавшийся «рискованный» виджет совершенно безвредным. Другим примером может быть помощник по кодированию, предлагающий завершить код предыдущей версии фронтенд-фреймворка, который отдельно выиграл от последовательности высокочастотных выпусков функций.
В таких ситуациях стартапам лучше полагаться на шаблон запуска и итерации, даже с пилотами.
