Ewolucja komputerów od lamp próżniowych pierwszej generacji do mikroczipów VLSI czwartej generacji zajęła komputerom 32 lata. Chociaż termin komputery piątej generacji został ukuty w 1982 r., komputery potrzebowały dużo czasu, aby przejść do czwartej generacji, ostatecznie wyprzedzając prawo Moore'a w 2010 r. i czyniąc komputery niesamowicie potężnymi. Założeniem komputerów piątej generacji jest rozwijanie sztucznej inteligencji i uczynienie maszyn inteligentnymi. W ciągu ostatnich 50 lat filmy science fiction pomogły nam wyobrazić sobie, jak by to wyglądało. Przenieś się do lat 20. XX wieku — kiedy technologia związana ze sztuczną inteligencją ostatecznie przeszła fazę badań, a organizacje zaczęły wdrażać sztuczną inteligencję w swoich aplikacjach.

Ponieważ branża znajduje się obecnie w punkcie zwrotnym, Generative AI i Applied AI stały się ważnymi obszarami zainteresowania przedsiębiorców nowej ery i kluczowymi domenami inwestycyjnymi dla inwestorów venture capital. Większość zasobów w Internecie uczy nas, jak oceniać technologię i produkt startupu AI. Ramy oceny startupów AI nie zostały jeszcze ustanowione. Pomiar wpływu biznesowego i wykonalności nowej technologii to trudne zadanie. W tym artykule próbuję odpowiedzieć na 2 krytyczne pytania podczas oceny startupów AI.

Czy sztuczna inteligencja jest odpowiednią technologią do konkretnego przypadku użycia?

Jak stworzyć prawo do wygranej w produktach AI?

Pomiar wpływu sztucznej inteligencji na biznes

Jako inwestor venture capital na wczesnym etapie, jedną z pierwszych rzeczy, które robię podczas oceny startupu, jest sprawdzenie wielkości całkowitego rynku adresowalnego (TAM). Zwykle jest to trudne w przypadku produktów wdrażających nowe technologie, takie jak blockchain czy sztuczna inteligencja. Mówiąc prościej, TAM odpowiada wpływowi wywieranemu przez produkt, może to być wzrost przychodów, oszczędność kosztów, oszczędność czasu itp. Modelowanie tego wpływu dla czegoś nieprzetestowanego i nieużywanego może być bardzo trudne.

Aby określić wpływ takich produktów, ważne jest zidentyfikowanie cech działalności, które istniałyby wokół produktu. Obejmuje to branżę (np. edukacja, rolnictwo, chemia, technologia, projektowanie itp.) oraz funkcję (np. produkcja, sprzedaż, marketing, finanse, księgowość itp.), której służy produkt, a następnie typ produktu ( SaaS, aplikacja, platforma, SDK itp.), a co najważniejsze, przypadek użycia (wizja komputerowa, przesłuchanie, językoznawstwo, planowanie i prognozowanie). Mając te informacje pod ręką, można określić ilościowo parametry wpływu wymienione w poniższym wzorze:

Wszystkie cztery parametry mają kluczowe znaczenie dla ustalenia wpływu sztucznej inteligencji w konkretnym przypadku użycia i można je przełożyć na standardową terminologię dotyczącą produktów, prowadząc do stworzenia 4-P ram do pomiaru wpływu biznesowego AI .

Ramy 4-P stwierdzają, że wpływ sztucznej inteligencji zależy od czterech parametrów — osób zaangażowanych w przypadek użycia, programowalności ich przepływu pracy, stworzonej dla nich poprawy produktywności oraz precyzji wymaganej w konkretnym przypadku użycia. Cztery parametry można przełożyć na standardowe, wymierne i mierzalne wskaźniki biznesowe.

Oceńmy framework na przykładzie produktu, który pomaga stworzyć projekt UI/UX aplikacji na podstawie parametrów dostarczonych przez product managera. Pierwszy krok polega na określeniu cech potencjalnego biznesu, który może zbudować produkt. Branża to technologia, funkcja to projektowanie produktu, typem produktu może być SaaS, a przypadek użycia wykorzystuje wizję komputerową. Spójrzmy na cztery parametry:

Ludzie: Kluczowym wskaźnikiem zastosowanym w tym przypadku jest liczba projektantów wykorzystanych do projektowania interfejsu użytkownika/użytkownika, od 1–2 w przypadku startupu do 10–20 w przypadku przedsiębiorstwa na dużą skalę.

Programowalność: Kluczową metryką stosowaną tutaj jest % zdigitalizowanego przepływu pracy. W przypadku projektanta UI/UX oraz funkcji projektowania i zarządzania produktem w organizacji liczba ta jest zwykle bliska 100%. Wszystkie zespoły projektowe mogą w jakiś sposób skorzystać z AI.

Produktywność: Kluczową metryką stosowaną tutaj jest liczba tygodniowych godzin spędzonych przez niezależnego projektanta i odpowiednia pensja za godzinę.

Precyzja: Produkt może wyeliminować potrzebę projektanta, ale organizacja może nadal chcieć ludzkiego podejścia. Poprawa produktywności nie zawsze musi przekładać się wyłącznie na korzyści finansowe. Ważne jest, aby określić, jakiej precyzji i zwrotu z inwestycji wymaga klient. W tym przypadku może to być skrócenie czasu pracy niezależnego projektanta z 8 godzin do 2 godzin dziennie, a tym samym zaoszczędzenie 6 godzin wynagrodzenia wypłacanego freelancerowi.

Łącząc to wszystko razem, wpływ stworzony przez to narzędzie, zdefiniowany jako oszczędności w wynagrodzeniach niezależnych projektantów (z wymaganą dokładnością), można obliczyć jako iloczyn średniej liczby niezależnych projektantów zatrudnionych w organizacji, liczby godzin obniżone miesięcznie ze względu na narzędzie (w tym przypadku 6 godzin dziennie) oraz średnie wynagrodzenie projektanta za godzinę.

Prawo do zwycięstwa w stosowanej sztucznej inteligencji

Duży wpływ (TAM) to za mało, aby zbudować skalowalny biznes. Powinna istnieć wyraźna fosa, aby przejąć udział w rynku. Zwykle fosy są wielorakie — produkt, technologia, dystrybucja, wgląd itp. Jednak w przypadku stosowanej sztucznej inteligencji fosy są specyficzne dla technologii i produktu. Szum wokół Generative AI zwiększył zainteresowanie tą technologią. Organizacje zdały sobie sprawę ze znaczenia danych w podejmowaniu decyzji i teraz z otwartymi ramionami czekają na narzędzia, które mogą im w tym pomóc. To skreśla dystrybucję z listy fos.

W stosowanej sztucznej inteligencji fosy rozwiązują techniczne bariery adopcji — dostęp do danych, przenośność na nowe narzędzia, wygodę użytkownika i zwrot z inwestycji.

Wyższy zwrot z inwestycji

Zwroty pieniężne generowane przez płacenie za określone narzędzie AI są pierwszą i najważniejszą fosą, którą powinien rozwijać każdy stosowany produkt AI. Modele AI zapewniające wyniki poniżej normy nie odniosą sukcesu. Okres. ROI jest ściśle powiązany z precyzją. Zwykły proces myślowy polega na tym, że im większa precyzja tworzona przez sztuczną inteligencję, tym lepszy zwrot z inwestycji. Tak jednak nie jest. ROI ma liniową zależność od precyzji aż do osiągnięcia minimalnego wymaganego progu. Następnie wpływ wzrostu precyzji na ROI jest przytłumiony. Dla przykładu, jeśli moja firma wymaga tylko segmentacji jabłek i pomarańczy, model, który dokładnie to robi, byłby dla mnie niezwykle przydatny. Jeśli model idzie o krok wyżej i pomaga mi segmentować czerwone jabłka i zielone jabłka, ten dodatkowy poziom precyzji jest dobry, ale nie jest koniecznością.

Dostęp do danych

Kolejnym niezbędnym elementem stosowanych narzędzi AI jest dostęp do wysokiej jakości danych. Biblioteki modeli udostępniane przez Open AI, Stability AI i Hugging face zapewniają dostęp do danych ogólnego przeznaczenia na potrzeby lingwistyki komputerowej i wizji. Startupy tworzące stosowane narzędzia sztucznej inteligencji mogą teraz korzystać z tych bibliotek i dalej dostosowywać je do konkretnego przypadku użycia, dodając wysokiej jakości dane specyficzne dla użytkownika. Większość dzisiejszych startupów ma swoją narrację zbudowaną wokół wykorzystania zastrzeżonych zestawów danych. Jednak z czasem, w miarę jak dane stają się bardziej utowarowione, efekt dostępu do danych jako prawa do wygranej będzie malał.

Ruchliwość

Moim zdaniem możliwość szybkiego przejścia ze starych obciążeń, które nie są oparte na sztucznej inteligencji, na nowe obciążenia oparte na sztucznej inteligencji, stałaby się ogromnym wyróżnikiem dla zwycięzców na rynku. Dziś cała infrastruktura AI jest na swoim miejscu. Startupy budujące w tej przestrzeni powinny usprawnić wszystkie elementy, aby stworzyć prosty i szybki proces przenoszenia dla organizacji, przyspieszając adopcję.

Startupy, które mogą szybko złożyć komponenty ze wszystkich 5 warstw na miejscu i zapakować swój produkt na wierzchu, znacznie skrócą czas wdrażania organizacji.

Doświadczenie użytkownika

Sztuczna inteligencja i uczenie maszynowe to złożone technologie, które wykorzystują zaawansowane koncepcje matematyczne i informatyczne. Ograniczona do programistów i naukowców zajmujących się danymi sztuczna inteligencja może osiągnąć masową skalę tylko wtedy, gdy osoby nietechniczne mają odpowiednie narzędzia. Intuicyjny UX może stać się wyróżnikiem startupów AI w potencjalnie konkurencyjnych kategoriach.

Wniosek

Oczekiwanie na praktyczne wykorzystanie sztucznej inteligencji dobiegło końca, a technologia ta stwarza przedsiębiorcom i innowatorom dużą szansę na zbudowanie nowej generacji produktów na dużą skalę. Budując, zastanów się, dlaczego sztuczna inteligencja jest potrzebna do rozwiązania konkretnego problemu i co może być wyróżnikiem, aby Twój produkt był najbardziej lukratywny. Do wszystkich budowniczych — jeśli kiedykolwiek zechcesz przeprowadzić burzę mózgów lub przedyskutować to, co budujesz, skontaktuj się ze mną pod adresem [email protected].