Как создать ИИ-стартап?

29.10.2023

Автор: Arman

555

Об этапах разработки проектов на основе искусственного интеллекта

Стартап - это не просто новая компания, а компания, которая решает проблему, создает ценность и стремится к быстрому росту и масштабированию. В основе продукта стартапа часто лежит новая технология, благодаря которой этот продукт становится инновационным. Например, Искусственный Интеллект (ИИ).

По мнению Тома Тунгуза, партнера венчурного фонда Redpoint Ventures, создание ИИ-стартапа начинается с ответов на четыре ключевых вопроса:

1. Какой уровень ИИ вы хотите использовать: приложение, платформа или инфраструктура?
2. Как генеративный ИИ повлияет на вашу отрасль и компанию в краткосрочной и долгосрочной перспективе?
3. Как вы будете конкурировать с существующими игроками на рынке?
4. Как вы будете создавать конкурентное преимущество и управлять рисками, связанными с генеративным ИИ?

Ответы на эти вопросы помогут определить цели, стратегию и план действий по созданию ИИ-стартапа, который будет успешным и устойчивым.

ИИ-стартапы имеют свои особенности и сложности, которые требуют специального подхода и стратегии. Эндрю Ын, считающийся одним из ведущих в мире специалистов в области ИИ, основатель и руководитель венчурного фонда для ИИ-стартапов "AI Fund", выделяет четыре основных этапа развития ИИ-стартапов:

1. Поиск проблемы и продукта (Problem-Solution Fit) ИИ-стартапа

Первый этап - это поиск проблемы, которую можно решить с помощью продукта или услуги. На этом этапе важно провести маркетинговое исследование, чтобы понять потребности, боли и желания целевой аудитории, а также конкурентные предложения на рынке: насколько эти проблемы подходят для решения с помощью ИИ? Это требует анализа доступности и качества данных, а также знания о возможностях и ограничениях ИИ-моделей.

Эндрю Ын рекомендует использовать метод Lean Startup, который предполагает постоянную проверку гипотез с помощью экспериментов и обратной связи от пользователей. Не стоит бояться ошибок на этом этапе - относитесь к ним как к возможности для обучения.

Здесь же проводится выбор подходящей ИИ-модели для продукта или услуги.

ИИ-модель - это алгоритм машинного обучения, который обучается на большом количестве данных и способен выполнять различные задачи, связанные с обработкой естественного языка, изображений, звука и других типов данных.

Существует множество ИИ-моделей, отличающихся по размеру, сложности, специализации, скорости, точности и другим параметрам.

Томас Тунгуз предлагает два основных типа ИИ-моделей для стартапов: большие и маленькие:

# Большие ИИ-модели - это модели, которые обучены на огромных объемах данных и способны генерировать разнообразный и качественный контент, такой как текст, изображения, музыка и другие. Примерами таких моделей являются GPT-3, DALL-E, LaMDA и другие.

# Маленькие ИИ-модели - это модели, которые обучены на меньших объемах данных и способны выполнять более узкие и специфические задачи, такие как классификация, распознавание, рекомендация и другие. Примерами таких моделей являются BERT, ResNet, Transformer и другие.

Большие ИИ-модели могут быть более привлекательными для стартапов, которые хотят создать инновационный и уникальный продукт, который будет выделяться на рынке и привлекать внимание пользователей и инвесторов. Такие модели требуют больших затрат на обучение, хранение, обслуживание и использование, а также могут быть менее точными и надежными для конкретных задач.

Маленькие ИИ-модели чаще используются для решения конкретной проблемы пользователей и обеспечивают более высокую точность и скорость работы. Однако маленькие модели могут быть менее гибкими, а также могут столкнуться с большей конкуренцией на рынке.

2. Поиск продукта и рынка (Product-Market Fit) ИИ-стартапа

Второй этап - поиск продукта и рынка, которые будут соответствовать друг другу. На этом этапе важно создать минимально жизнеспособный продукт (MVP), который будет иметь основные функции и характеристики, необходимые для решения проблемы пользователей. Здесь происходит применение различных методов обучения с подкреплением, тестированием и валидацией ИИ-моделей, а также с учетом этических и юридических аспектов использования ИИ. При создании продукта вы можете использовать собственную модель ИИ или использовать готовую. Выбор модели определяет стратегию создания ИИ-продукта.

Майкрософт рекомендует следующий подход к созданию продукта, если в его основе лежит собственная ИИ-модель:

1. Подготовка набора данных. Искусственный интеллект начинается с данных. Сначала специалистам по обработке данных необходимо подготовить данные для обучения модели. Часто это занимает больше всего времени в жизненном цикле. Эта задача включает в себя поиск или создание стартапом собственного набора данных, его очистку, чтобы он был легко читаем машинами, обеспечение репрезентативности выборки, определение того, какие переменные имеют отношение к вашей цели, и так далее. Здесь важно понимать, что если стартап не имеет доступ к уникальным данным, то будет в менее выигрышной позиции по отношению к крупным участникам рынка, у которых гораздо больше ресурсов для работы с большими массивами данных и обучения на них своего ИИ.
2. Обучение и тестирование. Специалисты по обработке данных применяют алгоритмы к данным для обучения модели машинного обучения. Затем они тестируют ее на новых данных, чтобы увидеть, насколько точны ее прогнозы.
3. Пакет. Модель нельзя напрямую поместить в приложение. Ее необходимо поместить в контейнер, чтобы она могла работать со всеми инструментами и фреймворками, которые использовались при ее создании.
4. Проверка. На этом этапе команда оценивает, насколько производительность модели соответствует их бизнес-целям. Возможно, тестирование дало достаточно хорошие показатели, но все же модель может работать не так, как ожидалось, при использовании в реальном бизнес-сценарии.
5. Повторение шагов 1-4. На поиск удовлетворительной модели могут потребоваться сотни часов обучения. Команда разработчиков может обучать множество версий модели, корректируя обучающие данные, настраивая гиперпараметры алгоритмов или пробуя совершенно разные алгоритмы. В идеале модель совершенствуется с каждым раундом настройки. В конечном счете, именно команда разработчиков определяет, какая версия модели наилучшим образом соответствует бизнес-варианту использования.
6. Развертывание. Происходит развертывание модели в облаке (часто через API), на локальном сервере или на периферийных устройствах, таких как камеры, шлюзы Интернета вещей или оборудование.
7. Мониторинг и переобучение. Даже если модель поначалу работает хорошо, ее необходимо постоянно контролировать и переобучать, чтобы она оставалась актуальной и точной.

Создание собственной модели с нуля раньше было вариантом по умолчанию. Однако бум готовых моделей изменил парадигму. Все чаще проекты в области науки о данных основываются на интеграции готовых моделей и адаптации их к потребностям вашего бизнеса. Такой подход может существенно изменить рабочий процесс.

При работе с готовыми ИИ-моделями алгоритм следующий:

1. Проверка. Использование готовой модели означает, что стартапу следует начать с выбора и проверки моделей, чтобы понять, какая будет оптимальной для их задач.
2. Настройка набора данных: готовая ИИ-модель может недостаточно хорошо справляться со специфическими задачами. Поэтому специалистам по обработке данных необходимо дополнить модель своими пользовательскими обучающими данными.
3. Обучение и тестирование: здесь поверх готовой ИИ-модели можно добавить свой обучающий слой с дополнительными данными. Таким образом, стартап получит новую версию ИИ-модели, адаптированную к задачам, которые намеревается решить. Другой вариант - разработать полную пользовательскую модель, которая покрывает пробелы, оставленные готовой моделью.
4. Упаковка и развертывание: Существуют различные способы использования готовой модели. Во многих случаях может быть достаточно использовать ее через API. Если проводилось какое-то индивидуальное обучение ИИ, необходимо упаковать и развернуть эту новую версию модели.
5. Мониторинг: как и все модели, готовые модели также необходимо регулярно проверять, чтобы поддерживать их эффективность. Специалисты по обработке данных должны быть в курсе новых готовых моделей. В какой-то момент также могут потребоваться новые пользовательские тренинги.

Какой из двух подходов лучше? Это зависит от сценария. Преимущество работы с готовыми моделями заключается в том, что требуется меньше ресурсов и результаты достигаются быстрее. Однако готовые модели обучены решать широкий спектр вариантов использования, поэтому им может быть трудно удовлетворить очень специфические потребности. В этих случаях лучшей идеей может быть полная пользовательская модель. Гибкое сочетание обоих подходов часто предпочтительнее и способствует масштабированию. Стартапы могут сэкономить ресурсы, используя готовые модели для самых простых вариантов использования, инвестируя эти ресурсы в создание пользовательских моделей ИИ для самых сложных сценариев. Дальнейшие итерации могут улучшить готовые модели путем их переподготовки.

В конце этого этапа продукт предлагается пользователям. Чтобы наладить с ними эффективную обратную связь, важно четко представлять свои цели и ключевые результаты (OKR), а также начать измерять ключевые показатели эффективности (KPI), такие как количество пользователей, уровень удовлетворенности, коэффициент удержания, доход и т.д., чтобы понять, насколько продукт соответствует ожиданиям и потребностям рынка.

Эндрю Ын подчеркивает, что необходимо фокусироваться на качестве продукта и уникальном предложении предложении (УТП), которое будет отличать стартап от конкурентов. ИИ сам по себе не может быть основой УТП, УТП - это ценность, которой обладает продукт благодаря ИИ.

3. Рост и масштабирование (Growth and Scaling) ИИ-стартапа

Третий этап - рост и масштабирование ИИ-стартапа. Здесь стартапу важно найти эффективные каналы распространения продукта и привлечения новых пользователей, а также оптимизировать бизнес-модель и расходы. Это требует использования методов повышения точности, скорости и безопасности ИИ-моделей, а также обновления данных и моделей в соответствии с изменениями рынка и потребностей пользователей.

На этом этапе стартап должен определить свою ценовую стратегию, которая будет соответствовать ценности, которую он предоставляет своим клиентам, а также учитывать конкуренцию, спрос и издержки. Ценовая стратегия может быть основана на разных подходах, таких как стоимостная, конкурентная, ценовая дискриминация, ценообразование по версиям, ценообразование по подписке и другие.

Здесь же стартап должен разработать свою маркетинговую стратегию, которая будет направлена на повышение узнаваемости бренда, привлечение и удержание клиентов, а также создание лояльности и доверия. Маркетинговая стратегия может включать в себя разные инструменты, такие как SEO, SMM, контент-маркетинг, email-маркетинг, реклама, PR, вирусный маркетинг и другие.

Стартапу также следует обновлять свои данные и модели в соответствии с изменениями рынка и потребностей пользователей. Например он может:
• Собирать и анализировать обратную связь от пользователей с помощью опросов, интервью, аналитики, тестирования и других методов.
• Внедрять новые функции и возможности с помощью итеративной разработки, A/B-тестирования, MVP и других методов.
• Адаптировать ИИ к новым требованиям и условиям с помощью переобучения, дообучения, трансферного обучения и других методов.

Эндрю Ын говорит, что стартап следует быть достаточно гибким, чтобы вовремя реагировать на сигналы и вносить необходимые изменения в продукт. Однако будучи адаптивным, важно также понимать и придерживаться миссии и видения стартапа.

4. Постоянное обновление и устойчивость (Continuous Innovation and Sustainability)

Четвертый этап - это постоянное обновление и стремление к устойчивому росту. На этом этапе важно не останавливаться на достигнутом, а продолжать искать новые возможности для улучшения продукта и расширения рынка. Для этого требуется применение методов генерации новых данных, создание новых функций и возможностей для продукта, а также поиск новых возможностей использования ИИ.

Стартап продолжает генерировать новые данные, которые будут питать его ИИ-модели и повышать их качество. Обычно это подразумевает такие действия, как:
• Сбор и интеграция данных из разных источников, например, с помощью веб-скрапинга, API, IoT и других методов.
• Создание и использование собственных данных, например, с помощью краудсорсинга, геймификации, соревнований и других методов.
• Генерация искусственных данных, например, с помощью генеративных моделей, симуляций, синтетических данных и других методов.

На этом этапе стартап также должен работать над новыми функциями и возможностями для своего продукта, которые будут удовлетворять и превосходить ожидания пользователей. Такая работа может включать в себя:
• Расширение функциональности продукта, например, с помощью добавления новых модулей, интеграций, опций и других элементов.
• Улучшение пользовательского опыта продукта, например, с помощью упрощения интерфейса, увеличения скорости, уменьшения ошибок и других факторов.
• Создание уникальной ценности продукта, например, с помощью внедрения новых технологий, подходов, решений и других инноваций.

Стартап также должен искать новые возможности использования ИИ, которые будут открывать новые рынки и сегменты для его продукта. А именно:
• Изучать возможности адаптации продукта к новым отраслям и сферам, например, с помощью кастомизации, специализации, локализации и других методов.
• Изучать возможности вывода продукта на новые географические рынки, например, с помощью перевода, адаптации, маркетинга и других методов.
• Создавать новые продукты или услуги, которые дополняют или расширяют основной продукт, например, с помощью вертикализации, горизонтализации, диверсификации и других методов.

И, конечно, стартап должен не забывать об устойчивости. Ему следует стремиться обеспечивать стабильный и положительный денежный поток, который покрывает все расходы и инвестиции:
• Искать способы повышения доходности продукта, например, за счет увеличения цены, снижения издержек, повышения конверсии и других методов.
• Работать над повышением лояльности клиентов, например, с помощью улучшения качества обслуживания, предоставления бонусов, создания сообщества и т.д..
• Повышать репутацию и известность стартапа, например, с помощью получения наград, сертификатов, публикаций, рекомендаций и других методов.

Как можно заметить, предлагаемые этапы являются общими для стартапов - они не уникальны для проектов, которые работают над ИИ-решениями. Отличия главным образом касаются особой роль данных, обучения на основе этих данных и создания ценности с помощью ИИ.