Ci sono voluti 32 anni perché i computer si evolvessero dai tubi a vuoto di prima generazione ai microchip VLSI di quarta generazione. Sebbene il termine computer di quinta generazione sia stato coniato nel 1982, i computer hanno impiegato molto tempo per superare la quarta generazione, superando finalmente la legge di Moore negli anni 2010 e rendendo i computer incredibilmente potenti. Il principio dell'informatica di quinta generazione è sviluppare l'intelligenza artificiale e rendere le macchine intelligenti. Negli ultimi 50 anni, i film di fantascienza ci hanno aiutato a immaginare come sarebbe stato. Passiamo agli anni 2020, quando la tecnologia attorno all'IA ha finalmente superato la fase di ricerca e le organizzazioni hanno iniziato a implementare l'IA nelle loro applicazioni.

Con il settore ora a un punto di svolta, l'IA generativa e l'IA applicata sono diventate importanti aree di interesse per gli imprenditori new age e domini di investimento chiave per i venture capitalist. La maggior parte delle risorse su Internet ci insegna come valutare la tecnologia e il prodotto di una startup AI. I quadri per valutare le startup AI devono ancora essere stabiliti. Misurare l'impatto sul business e la fattibilità della nuova tecnologia è un compito difficile. In questo articolo, cerco di rispondere a 2 domande critiche durante la valutazione delle startup AI.

L'intelligenza artificiale è una tecnologia adatta per un particolare caso d'uso?

Come si crea un diritto alla vittoria nei prodotti AI?

Misurazione dell'impatto aziendale dell'intelligenza artificiale

In qualità di venture capitalist in fase iniziale, una delle prime cose che faccio durante la valutazione di una startup è verificare la dimensione del mercato indirizzabile totale (TAM). Questo di solito è difficile per i prodotti che implementano tecnologie emergenti come blockchain o intelligenza artificiale. In termini semplici, il TAM corrisponde all'impatto creato da un prodotto, che può essere l'aumento delle entrate, il risparmio sui costi, il risparmio di tempo, ecc. Modellare questo impatto per qualcosa di non testato e inutilizzato può essere molto difficile.

Per definire l'impatto di tali prodotti, è importante identificare le caratteristiche del business che esisterebbe intorno al prodotto. Ciò includerebbe l'industria (ad es. Istruzione, agricoltura, prodotti chimici, tecnologia, design, ecc.) e la funzione (ad es. produzione, vendite, marketing, finanza, contabilità, ecc.) a cui il prodotto serve, seguita dal tipo di prodotto ( SaaS, applicazione, piattaforma, SDK, ecc.) e, soprattutto, il caso d'uso (visione artificiale, audizione, linguistica, pianificazione e previsione). Avendo a portata di mano queste informazioni si quantificherebbero i parametri di impatto citati nella formula sottostante:

Tutti e quattro i parametri sono fondamentali per stabilire l'impatto creato dall'IA per un particolare caso d'uso e possono essere tradotti in una terminologia di prodotto standard, portando alla creazione del framework 4-P per misurare l'impatto aziendale dell'IA .

Il framework 4-P afferma che l'impatto dell'IA dipende da quattro parametri: le persone coinvolte in un caso d'uso, la programmabilità del loro flusso di lavoro, il miglioramento della produttività creato per loro e la precisione richiesta in un particolare caso d'uso. I quattro parametri possono essere tradotti in metriche aziendali standard, quantificabili e misurabili.

Valutiamo il framework con un esempio di un prodotto che aiuta a creare la progettazione UI/UX di un'applicazione in base ai parametri forniti da un product manager. Il primo passo consiste nell'identificare le caratteristiche attorno al potenziale business che il prodotto può creare. Il settore è la tecnologia, la funzione è la progettazione del prodotto, il tipo di prodotto può essere SaaS e il caso d'uso utilizza la visione artificiale. Diamo un'occhiata ai quattro parametri:

Persone: la metrica chiave utilizzata qui è il numero di designer utilizzati per la progettazione di UI/UX, che va da 1-2 per una startup a 10-20 per un'azienda su larga scala.

Programmabilità: la metrica chiave utilizzata qui è la percentuale di flusso di lavoro digitalizzato. Nel caso di un designer UI/UX e della funzione di progettazione e gestione del prodotto in un'organizzazione, il numero è solitamente vicino al 100%. Tutti i team di progettazione del prodotto possono trarre vantaggio dall'intelligenza artificiale in qualche modo.

Produttività: la metrica chiave utilizzata qui è il numero di ore settimanali trascorse da un designer freelance e il corrispondente stipendio orario.

Precisione: il prodotto potrebbe avere la capacità di eliminare la necessità di un designer, ma l'organizzazione potrebbe comunque desiderare un tocco umano. Il miglioramento della produttività non deve sempre tradursi interamente in benefici monetari. È importante identificare la precisione e il ROI richiesti dal cliente. In questo caso, potrebbe essere la riduzione del tempo di lavoro di un designer freelance da 8 ore a 2 ore al giorno, risparmiando così 6 ore di stipendio pagate a un libero professionista.

Mettendo tutto insieme, l'impatto creato da questo strumento, definito come il risparmio sugli stipendi dei designer freelance (con la precisione richiesta), può essere calcolato dal prodotto del numero medio di designer freelance impiegati da un'organizzazione, il numero di ore ridotto al mese dovuto allo strumento (in questo caso, 6 ore al giorno) e alla retribuzione oraria media del progettista.

Il diritto di vincere nell'IA applicata

Un grande impatto (TAM) non è sufficiente per costruire un business scalabile. Dovrebbe esserci un chiaro fossato per conquistare quote di mercato. Di solito, i fossati sono molteplici: prodotto, tecnologia, distribuzione, intuizione, ecc. Tuttavia, nel caso dell'IA applicata, i fossati sono specifici per la tecnologia e il prodotto. L'entusiasmo per l'IA generativa ha aumentato l'entusiasmo per la tecnologia. Le organizzazioni hanno capito l'importanza dei dati nel prendere decisioni e ora stanno aspettando a braccia aperte strumenti che possano aiutarle a farlo. Questo elimina la distribuzione dall'elenco dei fossati.

Nell'IA applicata, i fossati sono quelli che risolvono gli ostacoli tecnici all'adozione: accesso ai dati, portabilità a nuovi strumenti, esperienza utente e ROI.

ROI più elevato

I rendimenti monetari creati pagando per un particolare strumento di intelligenza artificiale sono il primo e più importante fossato che ogni prodotto di intelligenza artificiale applicato dovrebbe sviluppare. I modelli di intelligenza artificiale che forniscono risultati scadenti non avranno successo. Periodo. Il ROI è strettamente correlato alla precisione. Il solito processo di pensiero è che maggiore è la precisione che l'IA sta creando, migliore sarebbe il ROI. Tuttavia, non è così. Il ROI ha una relazione lineare con la precisione fino al raggiungimento della soglia minima richiesta. Successivamente, l'effetto di un aumento della precisione sul ROI è ridotto. Per fare un esempio, se la mia attività richiede solo che io possa segmentare mele e arance, un modello che fa esattamente questo sarebbe estremamente utile per me. Se il modello va un gradino sopra e mi aiuta a segmentare mele rosse e mele verdi, questo ulteriore livello di precisione è utile ma non necessario.

Accesso ai dati

Un altro must per gli strumenti di intelligenza artificiale applicati è l'accesso a dati di alta qualità. Le librerie di modelli fornite da Open AI, Stability AI e Hugging face hanno un accesso mercificato a dati generici per la linguistica computazionale e la visione. Le startup che creano strumenti di intelligenza artificiale applicati possono ora utilizzare queste librerie e contestualizzarle ulteriormente nel loro particolare caso d'uso aggiungendo dati di alta qualità e specifici per l'utente. La maggior parte delle startup oggi ha la propria narrativa costruita attorno all'uso di set di dati proprietari. Tuttavia, con il tempo, man mano che i dati diventano più mercificati, l'effetto dell'accesso ai dati come diritto di vincere diminuirà.

Portabilità

La capacità di passare rapidamente da vecchi carichi di lavoro non IA a nuovi carichi di lavoro IA diventerebbe, a mio avviso, un enorme fattore di differenziazione per i vincitori sul mercato. Oggi l'intera infrastruttura AI è a posto. Le startup che costruiscono in questo spazio dovrebbero semplificare tutti i pezzi per creare un processo di porting semplice e veloce per le organizzazioni, accelerando l'adozione.

Le startup che possono mettere insieme rapidamente i componenti di tutti e 5 i livelli e impacchettare il loro prodotto in cima ridurranno significativamente il tempo di onboarding per le organizzazioni.

Esperienza utente

L'intelligenza artificiale e l'apprendimento automatico sono tecnologie complesse che utilizzano concetti avanzati di matematica e informatica. Limitata a sviluppatori e data scientist, l'intelligenza artificiale può raggiungere scale enormi solo quando persone con background non tecnici dispongono degli strumenti giusti. Una UX intuitiva può diventare un elemento di differenziazione per le startup AI in categorie potenzialmente competitive.

Conclusione

L'attesa per l'uso pratico dell'intelligenza artificiale è finita e la tecnologia offre una grande opportunità per imprenditori e innovatori di costruire la prossima generazione di prodotti su larga scala. Durante la creazione, assicurati di pensare al motivo per cui l'intelligenza artificiale è necessaria per risolvere un particolare problema e quale potrebbe essere un fattore di differenziazione per rendere il tuo prodotto il più redditizio. A tutti i costruttori là fuori: se volete fare un brainstorming o discutere di ciò che state costruendo, contattatemi all'indirizzo [email protected].