Polska: 100 startupów AI

Od jakiegoś czasu śledzę polską scenę startupową AI i postanowiłem uporządkować wiedzę i stworzyć krajobraz polskich startupów AI — zidentyfikowałem ich 100!

Ten krajobraz ma na celu identyfikację i kategoryzację innowacyjnych startupów AI z Polski. Mam również nadzieję, że krajobraz ułatwi wyróżnionym firmom dostęp do kapitału, klientów i talentów.

Ostatnio wokół sztucznej inteligencji zrobiło się dużo szumu i prawie każdy startup twierdzi, że jest startupem AI. Mając to na uwadze, starałam się wybierać tylko te startupy, które oferują rozwiązania, w których sztuczna inteligencja jest nieodłącznym elementem. Innymi słowy, jeśli uda się usunąć komponent AI z rozwiązania dostarczonego przez firmę, a wartość rozwiązania z perspektywy klienta nie spadnie drastycznie, firma zostanie wykluczona z listy.

Polski ekosystem AI z perspektywy założyciela

Na przestrzeni ostatnich kilku lat obserwuję znaczny wzrost świadomości i dojrzałości startupów opartych na AI w Polsce. Dla wielu firm sztuczna inteligencja nie jest już tylko modnym hasłem używanym do przyciągania klientów i inwestorów, ale krytycznym wyróżnikiem wartości dodanej. Ten fakt, w połączeniu z niezwykłym poziomem umiejętności technicznych i talentów, sprawia, że ​​nasz region jest bardzo interesującym miejscem do zakładania, rozwijania i skalowania organizacji opartych na sztucznej inteligencji.

Słowa Kamila potwierdza mapa, którą widzicie poniżej. W Polsce działa już 100 startupów AI i spodziewam się, że w najbliższych latach ta liczba będzie tylko rosła.

Opieka zdrowotna i czat/głos stanowią jedną trzecią ekosystemu

Patrząc na krajobraz, widzimy, że kategoria opieki zdrowotnej zawiera najwięcej startupów AI. Nie jest to zaskakujące, ponieważ jest to również kategoria, która otrzymała najwięcej funduszy VC w Polsce — 15% całkowitego finansowania VC w Polsce w 2022 roku trafiło do startupów z branży medycznej . Kolejną istotną kategorią jest obsługa klienta, czat i głos. W dwóch kategoriach znalazły się jedne z odnoszących największe sukcesy startupów z listy: Infermedica (120 mln zł serii B w 2021 r.) oraz Tido (109 mln zł serii B w 2022 r.).

Trendy w zastosowaniach sztucznej inteligencji — znacznie więcej niż generatywna sztuczna inteligencja

Generatywna sztuczna inteligencja jest obecnie zdecydowanie najgorętszym tematem sztucznej inteligencji, ale niezliczone nowe aplikacje, które odblokowuje, uzasadniają ten szum. Spodziewam się, że dzięki tej technologii pojawi się wiele nowych startupów. Obsługa klienta jest prawdopodobnie najbardziej oczywistą kategorią, na którą wpłynie postęp w generatywnej sztucznej inteligencji ze względu na konwersacyjny charakter interakcji z klientami, nieodłącznie związany z narzędziami takimi jak Czat GPT. Myślę, że zobaczymy też wiele nowych startupów pracujących nad narzędziami marketingowymi opartymi na sztucznej inteligencji , które umożliwią tańsze i szybsze generowanie treści. Nie ogranicza się to tylko do tekstu, ponieważ generowanie obrazów i wideo będzie również napędzać te rozwiązania .

W nadchodzących latach prawdopodobnie rozkwitnie również kategoria narzędzi programistycznych . Widzieliśmy już aplikacje wykorzystujące potencjał tej technologii, np. Codex konwertujący język naturalny na kod czy Copilot sugerujący kod w czasie rzeczywistym . Myślę jednak, że wciąż nie widzimy wielu nowych narzędzi, które ułatwiają i przyspieszają tworzenie, testowanie lub debugowanie oprogramowania.

Dostrzegam też ogromny potencjał w rozwiązaniach o niskim lub zerowym kodzie , które umożliwiają mniej technicznym użytkownikom tworzenie aplikacji AI. Będzie to napędzane przez ogromną liczbę potencjalnych przypadków użycia AI, ale bardzo ograniczoną liczbę programistów AI.

Kolejną kategorią, w której spodziewam się znacznego wzrostu, jest sztuczna inteligencja w opiece zdrowotnej. To już największa kategoria w polskim ekosystemie, ale rosnąca ilość danych zdrowotnych i demokratyzacja dostępu umożliwiają dalszy szybki wzrost . Następuje eksplozja danych dotyczących zdrowia dzięki elektronicznej dokumentacji medycznej, roszczeniom ubezpieczeniowym, niezliczonym aplikacjom monitorującym stan zdrowia i urządzeniom ubieralnym. Wszystkie dostarczają źródeł danych do trenowania modeli AI (według niektórych szacunków 30% generowanego na świecie wolumenu danych jest generowane przez branżę medyczną ). Ponadto dzięki opiece wirtualnej i mobilnej cyfrowe rozwiązania AI w zakresie opieki zdrowotnej stają się coraz bardziej dostępne. W rezultacie pacjenci coraz bardziej przyzwyczajają się do opieki zdrowotnej opartej na technologii, która będzie w coraz większym stopniu oparta na sztucznej inteligencji.

Komputery stają się coraz tańsze, ale rozmiary modeli szybko rosną

Jednym z głównych trendów, który przyniesie korzyści wszystkim aplikacjom AI, jest malejący koszt szkolenia i obsługi modeli AI . Na przykład, według badań przeprowadzonych przez Stanford, koszt szkolenia systemu klasyfikacji obrazów spadł o 2/3 od 2018 r., przy jeszcze większym skróceniu czasu szkolenia modeli.

Spadek kosztów jest możliwy głównie dzięki wydajniejszemu sprzętowi dedykowanemu AI, takim jak Tensor Processing Units (TPU) Google'a czy chipy Nvidii np. A100 . W przypadku firm zajmujących się sztuczną inteligencją koszty przetwarzania w chmurze są zwykle głównym składnikiem COGS (koszt sprzedanych towarów). Gdy koszty obliczeniowe spadają, nowe aplikacje stają się opłacalne ekonomicznie, umożliwiając w ten sposób bardziej powszechne zastosowanie komercyjnej sztucznej inteligencji .

Jednak modele AI są również coraz większe, a przez to droższe w szkoleniu (szacowany koszt szkolenia GPT-3 to nawet 12 mln USD ). Tendencja ta może zniwelować efekt spadających jednostkowych kosztów obliczeniowych, jednak dotyczy to głównie najnowocześniejszych modeli publikowanych przez badaczy, a nie już skomercjalizowanych systemów.

Wytłumaczalność, stronniczość i jakość danych to główne wyzwania

Charakter czarnej skrzynki (tj. niemożność zrozumienia, w jaki sposób algorytm podejmuje decyzje) wielu systemów sztucznej inteligencji jest jedną z istotnych barier we wdrażaniu sztucznej inteligencji. Użytkownicy często wymagają prognozy od algorytmu i wyjaśnienia, w jaki sposób została wykonana prognoza. Przedstawienie tego wyjaśnienia jest niezwykle trudne dla algorytmów, takich jak sieci neuronowe, a brak wyjaśnienia może uniemożliwić niektórym użytkownikom przyjęcie rozwiązań AI. Rosnąca liczba parametrów modeli tylko pogłębia ten problem.

Kolejnym wyzwaniem jest stronniczość — tendencja algorytmu do odzwierciedlania ludzkich uprzedzeń obecnych w zbiorze danych treningowych. Na przykład jeden generatywny algorytm sztucznej inteligencji, który poprosił o wygenerowanie obrazów „biednej osoby” i „bandyty”, generował głównie twarze o ciemnej skórze. Jeśli zostaną przyjęte na masową skalę, tendencyjne algorytmy wzmocnią stereotypy i uprzedzenia już obecne w naszym społeczeństwie.

Problemem jest również dostępność danych wysokiej jakości . Pomimo rosnącej ilości danych generowanych globalnie, dane przechowywane przez firmy są często niskiej jakości, co znacznie utrudnia wdrażanie systemów AI.

Mimo tych wyzwań jestem przekonany, że przed polskimi i światowymi ekosystemami AI najlepsze lata. Nie mogę się doczekać, kiedy pojawią się nowe startupy!

Jeśli znasz jakąś firmę, która powinna zostać dodana do listy, wypełnij ten formularz i daj mi znać w komentarzach!

Metodologia:

1. Uwzględniłem tylko firmy produktowe, tj. firmy opracowujące niestandardowe oprogramowanie AI są wykluczone

2. Starałem się zidentyfikować tylko te startupy, w których komponent AI jest krytyczny dla prawidłowego funkcjonowania rozwiązania — innymi słowy wykluczenie komponentu AI spowodowałoby utratę przez rozwiązanie większości wartości oferowanej klientom

3. Podzieliłem mapę na trzy główne kategorie w zależności od rodzaju aplikacji:

• Aplikacje międzybranżowe — aplikacje, z których może korzystać wiele branż, np. narzędzia do cyberbezpieczeństwa
• Aplikacje branżowe — rozwiązania skierowane do konkretnej branży, np. opieki zdrowotnej
• Narzędzia programistyczne — narzędzia, które można wykorzystać podczas prac badawczo-rozwojowych związanych z AI lub narzędzia oparte na sztucznej inteligencji wspierające tworzenie oprogramowania