В исследования в области искусственного интеллекта и машинного обучения вливаются огромные средства — за пять лет объём финансирования вырос почти в 10 раз. «Хайп» вокруг новой технологии достиг исторического пика. Это вызывает ряд проблем при начале проектов в области ИИ. Партнёр венчурного фонда Ignition Partners Преети Рахни в колонке на VentureBeat определила основные узкие места при запуске новых стартапов, чьи технологии основаны на ИИ и машинном обучении.

Читать далее

Потенциальные преимущества, которые получит человечество благодаря разработке искусственного интеллекта, оправдывают даже значительные на данный момент инвестиции «в воздух». Важно, чтобы при разработке продуктов первоочередное внимание уделялось не инфраструктуре ИИ (алгоритмам и платформам), а непосредственно приложениям.

Успешные компании становятся таковыми благодаря способности решать конкретные востребованные задачи. Только потом, в процессе развития, они могут предлагать «платформы», основанные на уже проверенных и востребованных решениях. Однако из-за некоторой экзотичности, присущей на сегодня искусственному интеллекту, многие забывают об этом.

В общем случае успешный стартап по искусственному интеллекту и/или машинному обучению концентрирует усилия на одной или нескольких задачах из списка:

• уменьшение требуемого объёма человеческого труда или избавление от него в отраслях, которые ранее считались сложными для автоматизации;
• использование «свободного места», которое образовалось благодаря появлению новых возможностей (речь о новых продуктах или услугах, ранее слишком дорогих или невозможных);
• увеличение ценности традиционных приложений благодаря внедрению техник машинного обучения в них.

Горизонтальные платформы машинного обучения — табу

Есть причины, по которым платформы машинного обучения существуют обособленно. Такие веб-гиганты, как Google и Facebook, инвестируют немалые суммы в их развитие и широко используют принципы открытого кода при работе над ними. В таких условиях конкуренция с крупнейшими мировыми компаниями, к тому же обладающими уникальными проприетарными наборами данных, становится крайне затруднительной, если не невозможной.

Кроме этого, недостаток специалистов по обработке данных приводит к тому, что клиенты зачастую неспособны в достаточной степени использовать все преимущества крупных платформ и алгоритмов. В результате стартап с горизонтальной платформой может продавать только профессиональные услуги, помогая каждому клиенту определять и достигать специфические цели.

Наконец, перед разработкой горизонтальной ИИ-платформы стоит задуматься о сложности выхода на рынок. Поведение покупателей в разных областях отличается, нужно учитывать и наличие различных каналов продвижения. Всё это усложняет работу по продвижению комплексного продукта.

Выбор индустрии

Если вашу модель машинного обучения можно применить в разных индустриях, перед выбором специализации стоит учесть следующие «переменные».

Стоимость внедрения

Если рабочий на заводе в Китае получает $6 тысяч в год, а стоимость заменяющего его робота составляет $40 тысяч, период окупаемости без учёта операционных издержек составит более 6 лет — в большинстве случаев это слишком долго.

Дополнительная ценность

Чем ещё ценно решение на основе машинного обучения, помимо замены человека? Повышение качества и удовлетворённости клиентов, меньшее количество ошибок? Например, стартапы Glid, Entelo, Textio разработали ПО, которое автоматизирует найм и «убирает» из процесса предпочтения и предубеждения, характерные для эйчаров.

Проблемы с законодательством

Насколько простым будет решение бюрократических вопросов при внедрении разработки? Показательным примером являются самоуправляемые автомобили, возможности применения и тестирования которых по-прежнему глубоко зарегулированы.

Конфликт интересов с потенциальными клиентами

Сокращение доли человеческого труда — основной эффект применения искусственного интеллекта, закономерно вызывающий серьёзное противодействие. Потеряют ли люди работу в результате внедрения вашей технологии? Так, одно из ключевых опасений среди аутсорсинговых ИТ-компаний — это сокращение времени на «рутинную» настройку ПО из-за автоматизации.

Готовность индустрии

Иногда целые области попросту не готовы к применению новых технологий. Удачным примером этого является управления электросетями. Но если рынок достаточно велик, а капитала достаточно, альтернативный подход может побороться — как Uber сражается с регуляторами и профсоюзами такси по всему миру.

Итого, чтобы извлечь максимум из разработок в области искусственного интеллекта и машинного обучения, нужно:

• избегать областей, в которых крупные компании имеют структурные преимущества;
• выбрать плацдарм, на котором новый продукт решает болезненную проблему, а покупатели не предрасположены к сопротивлению;
• выбрать целевую отрасль, основываясь на степени её готовности к внедрению ИИ и машинного обучения и отсутствии больших законодательных проблем в адаптации технологии.