Technologie sztucznej inteligencji stają się mainstreamowym przedsięwzięciem – nieodłącznym elementem start-upów w dziedzinie technologii informatycznych. Tym nie mniej, start-upy SI w Rosji spotykają się z całym szeregiem trudności.
Jeszcze pięć lat temu domeny w zakresie .ai były dostępne, ale teraz już nie można ich kupić. Dawniej poważna aplikacja wyglądała jak wielka tablica przyrządów, obecnie ideałem jest produkt z jednym przyciskiem, który działa „cuda”. A pod cudem kryje się sztuczna inteligencja, która wykonuje wszystkie skomplikowane procesy. Nawet samo wprowadzanie komend można teraz wykonać za pomocą głosu, gestów – w jakimś sensie poprzez analizę zachowania ludzi.
Na skróty:
SI, uczenie maszynowe i życie
Czym zajmują się projekty w sferze SI i czym różni się to od powszechnych systemów automatyzacji? Systemy bazujące na uczeniu maszynowym już od dawna optymalizują proste i przewidywalne czynności. Weźmy na przykład wypełnienie ankiety do zakupu biletów lotniczych i następującą obróbkę tego formularza na serwerach przedsiębiorstwa. Takie bazowe procesy (w suchym naukowym języku – procesy z niską entropią) już dawno zostały zautomatyzowane algorytmami. Tego samego nie można powiedzieć o zadaniach posiadających niestandardowe dane wejściowe i wyjściowe – „dane z wysoką entropią”. Systemy nowego pokolenia natychmiastowo sobie z nimi radzą. Na przykład, potrzeba przetworzyć zapytanie: „Zmęczyłem się, chcę nad morze”. W oparciu o osobowość użytkownika, inteligentny asystent dobierze bilety, miejsce wypoczynku z optymalnym klimatem, zorganizuje transport z lotniska i może od razu wszystko opłacić.
Sama technologia, przy tym zazwyczaj wykonuje zadania następującego typu:
- Rozpoznawanie (głosu, twarzy, defektów – tzw. Anomay Detection).
- Wyszukiwanie (Matching). Typowy przykład – wyszukiwarka (znaleźć 1 wariant ze 100 000) albo bardziej egzotycznie systemy rekomendacji
- Kto zwycięży w wyborach, jaka będzie pogoda, jakie będą wpływy z rynków zbytu?
Start-upy SI
Udane projekty w dziedzinie SI, co nie dziwi, są najczęściej kombinacją nauki, biznesu i marketingu. Typowa historia sukcesu przedsiębiorstwa bazuje często na tym, że ich rozwiązanie o wiele lepiej od innych automatyzuje proces, albo przetwarza dane, którymi nikt wcześniej się nie interesował. Na przykład, dane czujników w fabryce pozwoliły przewidywać usterki urządzeń, albo analiza postów na Twitterze pozwoliła wykryć cenne dla giełdy sygnały.
Jednocześnie projekty w zakresie SI mają określoną specyfikę, wywodzącą się ze standardów branży inwestycyjnej. Według naszego doświadczenia, projekt SI jest najczęściej rozwiązaniem b2b z długim cyklem sprzedaży. Takie projekty, szczególnie w Rosji, borykają się ze specyficznymi problemami – brak zapasów finansowych do funkcjonowania w czasie transakcji i brak powiązań przy wyjściu na rynek międzynarodowy. To dodatkowo utrudnia stworzenie podobnego projektu.
Fokus na b2b
Istnieje ogromna liczba firm, których pracownicy wykorzystują czas pracy na opracowanie typowych zadań. Pieniądze dla projektu SI leżą tutaj w dziedzinie optymalizacji i obniżenia kosztów. Ekonomiczny efekt robotyzacji 20 miejsc pracy, różni się przy tym od robotyzacji 2000. Właśnie dlatego duże przedsiębiorstwa mogą sobie pozwolić na wdrożenie systemów SI z super human abilities („nadludzkie umiejętności”). Ostatecznie „paliwo”tej branży – te same „duże dane” – spływają właśnie do wielkich przedsiębiorstw. Dlatego kierunek b2b jest podstawą dla większej części projektów oferujących rozwiązania w dziedzinie SI.
Sprzedaż do dużych firm to niełatwe zadanie dla start-upów SI. Pierwszy problem – cykl sprzedaży. Sprzedać dużemu przedsiębiorstwu jest ciężko: to proces trwający od 6 do 18 miesięcy. A start-upy bez sprzedaży, tym bardziej w Rosji, tak długo nie wytrzymują.
Drugi problem – skalowalność. W sprzedażach przedsiębiorstw nie można po prostu kupić większego przepływu, tak jak w b2c.
Skalowalność sprzedaży wymaga osobnego wysiłku i czasu. W tej sferze występują ścisłe i czasochłonne systemu doboru dostawców. Należy zauważyć, że w ostatnim czasie coś idzie w lepszym kierunku za sprawą pojawiających się departamentów do spraw innowacji. W technologicznych rozwiązaniach b2b mają miejsce specyficzne sposoby skalowalności, kiedy produkt staje się standardem branży nie za sprawą nakładów marketingowych, ale dzięki najlepszemu rozwiązaniu określonego zadania. W tym przypadku automatycznie sprzedaje się on jako komponent wielkich systemów.
Problemy rosyjskiego rynku
Projekty w Rosji spotykają się z dodatkowymi trudnościami. W Rosji średnie budżety na innowacje mocną odstają od tych z USA i Europy. Z tego powodu, wszelka współpraca ze start-upami kończy się po przeprowadzeniu hackathonu – na wdrożenie po prostu nie starcza pieniędzy. Często zdarza się, że kiedy korporacje widzą, że rozwiązanie start-upu działa, ale kupują jego pełne wdrożenie u integratora, lub za granicą. Bywa też, że pomysł rozwiązania jest kradziony i wdrażany własnymi siłami.
Oczywiście, należy dążyć do bycia lepszymi, żeby prościej było nas kupić, niż skopiować. Jednakże na małym rynku to ostatnie nie daje gwarancji. Istnieje sezonowa specyfika, związana z jednakowym u wszystkich organizacji rokiem budżetowym. Na koniec każdego okresu rozliczeniowego kierownictwa oddziałów do spraw innowacji masowo dążą do zrobienia czegoś jak najszybciej, a wiosną i latem działają ostrożnie i nieśpieszno.
Rynek światowy może być rozwiązaniem, ale i tutaj występują określone problemy. Z naszego doświadczenia wynika, że w tej branży budżet zaczyna się od 2 milionów dolarów, a produkt końcowy zajmuje około dwóch lat. Jednocześnie sprzedaży należy dokonać samodzielnie: szybkie znalezienie dobrego sprzedawcy w tej branży to nieczęsto spotykana rzecz.
Stare rozwiązania
Rozwiązaniem problemów powinny były być fundusze inwestycyjne. Analogicznie z internetem, SI to teraz obowiązkowa technologia – ogromny, interesujący rynek, z mnóstwem zadań, potrzebujących rozwiązań. Jednak dla funduszy start-up, zamierzający prowadzić sprzedaż do dużych przedsiębiorstw, wciąż jest bardzo kłopotliwy.
Fundusz zarabia przy sprzedaży kupionych udziałów następnym inwestorom, lub w czasie pierwszej oferty publicznej. Udziały mogą podrożeć tylko poprzez rozwój firmy i zwiększeniu jej atrakcyjności, co oznacza skalowalność i wyjście na nowe rynki. Opisując z grubsza podejście inwestorów w ciągu ostatnich 15 lat, wygląda ono tak: szybkie stworzenie prototypu, który podoba się konsumentom, a następnie wykorzystanie tych kanałów, gdzie grono klientów szybko się rozrasta. Opierając się na takim obrazie inwestorzy oceniają projekty i rozpoczynają ich finansowanie. Takie podejście jest dobre dla b2c, jednakże wśród rozwiązań SI więcej jest punktów zastosowania w segmencie b2b. Jednocześnie biznes nie będzie pokazywać szybkiego przyrostu w podstawowych wskaźnikach (lead sprzedażowy, sprzedaż itd.). Inwestorom trudniej jest śledzić rozwój projektu, co skutkuje w hamowaniu procesu zdobywania funduszy. Dla analityków (i swoją drogą samych twórców projektu) nie jest jasne, na co zwracać uwagę i na podstawie czego wyciągać wnioski.
W sektorze b2b skalowalność projektu to przede wszystkim jakościowa, technologiczna przewaga nad konkurentami i integrowanie w przedsiębiorcze rozwiązania sprzedawców. Jakościowa przewaga technologiczna oznacza wydatki na opracowanie. W tym obszarze każde kolejne 5% dokładności rozwiązania jest bardziej złożone i droższe od poprzednich. W takim momencie niedofinansowanie jest zgubne: projekt będzie pochłaniać środki na wynagrodzenia, ale okaże się, że nie jest w stanie dostatecznie rozwijać produktu. Podliczając wynik, mowa tu o sumach rzędu 1-3 milionów dolarów na wczesnym etapie. Wykładanie takich sum, i to bez pełnoprawnych sprzedaży w Rosji jest praktycznie niespotykane.
Nowe możliwości
Można przypuszczać, że dla projektów w dziedzinie SI optymalnym jest hybrydowy model rozwoju. Rozwiązanie jest sprzedawane i określane w rodzaju płatnych zleconych opracowań, przez które rosną kompetencje zespołu i zwiększa się dokładność. W momencie, kiedy zespół wykonał już polecenia i opracował technologię, o wiele łatwiej jest otrzymać dofinansowanie dla dalszego rozwoju.
Inną możliwością jest współpraca z państwowymi ośrodkami badawczymi, pozwalające w końcowym rezultacie obniżyć wydatki przy zwiększeniu dokładności rozwiązania. Tak, według takiego modelu pracuje już współtwórca Coursera Andrew Ng. AI Fund, powołany do wcześniejszego prototypu amerykańskiej platformy start-up Betaworks, który zebrał ponad 175$. Podobne podejście opracowuje obecnie Fiztech Akcelerator (Физтех Акселератор) we współpracy z komercyjnymi przedsiębiorstwami.
