В статье кратко рассмотрено текущее положение вопроса создания стартапа в сфере искусственного интеллекта и основные этапы этого процесса.
В последние годы наблюдается стремительный рост проектов крупных компаний и стартапов, успешно применяющих в своих приложениях искусственный интеллект. Произносятся даже такие слова, как «начало революции искусственного интеллекта». Уже в прогнозе Tractica 2016 года было показано наличие 191 коммерческих примеров использования искусственного интеллекта в 27 различных индустриях. Среди этих примеров распознавание и генерация изображений, алгоритмическая торговля ценными бумагами, управление данными о пациентах в системе здравоохранения, рекомендательные сервисы и т. д.
Искусственный интеллект долгое время воспринимался как следующий горизонт в сфере развития Computer Science, однако вычислительные мощности, доступные для ежедневного применения в реальных задачах, стали доступны лишь недавно. Такое улучшение возможностей расчета привело к созданию более совершенных алгоритмов анализа данных. Kdnuggets рассматривает 2018 год как лучший для создания стартапа на основе искусственного интеллекта.
Этот тезис подтверждается стартапами, возникающими чуть ли не еженедельно.Один из последних примеров – приложение Tetra, делающее детализированные текстовые записи прямо в процессе телефонного разговора.
Другой пример – приложение Hyper Science автоматизирует процесс извлечения информации из изображений анкетных форм.
Приложение JetLore позволяет выводить информацию, структурированную различным образом, в зависимости от поведения потребителя.
Чтобы открыть подобный стартап, первым шагом, конечно, является овладение концепциями искусственного интеллекта. Естественно, вы не можете создать какое-либо решение при помощи технологии, которой просто не владеете.
1. Овладейте концепциями Deep Learning
Один из возможных путей быстро сориентироваться в этой области, это просмотреть и проработать следующую последовательность плейлистов на канале Siraj Raval:
- Изучение Python для Data Science
- Введение в TensorFlow
- Введение в Deep Learning
- The Math of Intelligence
Далее можно порекомендовать пройти специализацию Deep Learning, подготовленную Andrew Ng для Coursera.org, а также курс Jeremy Howard на fast.ai. Одна из лучших книг по этой теме, доступная к тому же в интернете, это Deep Learning Book, написанная Ian Goodfellow.
Однако вам нужно разбираться не только в глубоком обучении, но и том, как работают другие модели машинного обучения. В ряде случаев метод опорных векторов или дерево принятия решений будут более полезными инструментами, чем глубокое обучение при помощи нейронных сетей. Интуиция относительно того, какой именно метод выбрать, вырабатывается в результате опыта работы с этими инструментами.
2. Найдите задачу для искусственного интеллекта, которая будет интересна вам самому
Многие крупные компании возникли именно из того, что разработчики сами столкнулись с какой-то важной для них проблемой. Запишите задачи, с которыми регулярно сталкиваетесь вы сами или ваши друзья. Лучшими кандидатами для скорейшего решения будут те проблемы, с которыми сталкиваются люди, о которых вы больше всего заботитесь – в этом случае вы будете лучше мотивированы.
Если вам не приходит на ум ни одна такая задача, можете поискать при помощи социальных сетей, каких программных решений не хватает людям. Используйте соответствующие слова для запроса, содержащие такие фразы, как "How do I" , например, на Reddit или в Twiiter.
Встречайтесь с людьми, путешествуя и узнавая с какими реальными проблемами сталкиваются пользователи разных стран относительно инфраструктур, банкинга, коммуникаций, образования и т. д.
Как сказал Илон Маск, «быть предпринимателем это как жевать стекло, уставившись в бездну». Если у вас нет интереса к решению проблемы, вы застрянете, когда станет тяжело. Неважно сколько негативных комментариев получает ваша работа, главное – что вы верите в предлагаемое решение проблемы.
3. Изучите рынок
Когда вы поняли какую проблему и для кого вы решаете, проведите исследование рынка. Кто может купить ваше решение? Где покупатели смогут его приобрести? Какую сумму им придется заплатить? Какие продукты являются конкурентами вашего решения? Сколько будет стоить развертывание приложения? Какова история развития рынка?
Аналитические фирмы делают публично доступные отчеты о текущем состоянии различных отраслей, включая искусственный интеллект. Такие решения и, соответственно, сами стартапы разделяют на «горизонтальные» и «вертикальные».
Горизонтальные стартапы обычно работают над одной фундаментальной проблемой, решение которой может использоваться несколькими индустриями. Например, такой крупной задачей является обработка естественного языка. В отличие от горизонтальных, вертикальные стартапы разрабатывают обычно решение одной узкоспециализированной задачи для определенного потребителя.
Практически все крупные технические компании активно работают в сфере искусственного интеллекта и нанимают в свои команды настоящих рок-звезд данной области. Это позволяет гигантам заниматься важными горизонтальными задачами, связанными, например, с распознаванием изображений и языковым переводом.
Однако ваше преимущество состоит в возможности очень быстрого развития в вертикальной, специфичной задаче. У компаний-гигантов нет времени на то, чтобы прорабатывать стратегии под каждую отдельную малую нишу.
Создайте веб-страницу с возможностью простого входа по e-mail для того, чтобы пользователь мог изучить ваш продукт, и привлеките внимание к вашему продукту, распространив информацию о нем в социальных сетях. Создайте блог, в котором вы будете описывать решения, связанные с применением искусственного интеллекта и решением фундаментальных задач для вашей проблемы.
Кроме самого искусственного интеллекта, ваше решение должно иметь все необходимое, чтобы его можно было использовать как инструмент. Вы могли заметить, что во многих продуктах, основанных на применении искусственного интеллекта, его использование является важным, но не первостепенным. Если ваше решение может работать без искусственного интеллекта (пусть более просто и дешево), то вы на верном пути.
4. Соберите данные
Прежде чем построить модель, соберите и организуйте данные по решаемой проблеме, собранные в необходимом количестве. Качество данных – это традиционно наиболее важная часть машинного обучения, даже более важная, чем архитектура выбранной модели.
Простой способ поиска данных – использование публичных датасетов. Самые обширные их списки находятся на Github, Kaggle и в архиве репозитория машинного обучения. Если эти источники не содержат необходимых сведений, вы можете добыть их самостоятельно, используя, например, идеализированные исходные данные, добавив к ним шум.
Кроме того, вы можете воспользоваться сервисами вроде Amazon Mechanical Turk, на которых реальные люди за небольшую оплату размечают ваши данные. Кроме того, существуют платные базы данных (DataCircle), на которых вы можете приобрести или обменяться интересующей информацией. Наконец, вы можете собрать данные при помощи парсинга сайтов.
Для построения модели TensorFlow до сих по остается одним из лучших фреймворков для машинного обучения со всеми необходимыми инструментами. Создайте модель и тренируйте ее на данных при помощи таких сервисов как AWS, Google Cloud или FloydHub. Чем больше у вас данных, тем более умные алгоритмы вы можете построить, тем больше будет у вас пользователей, которые предоставят вашему алгоритму новые данные.
5. Соберите команду и зарабатывайте деньги
Внимательно отнеситесь к выбору людей. Количество талантливых разработчиков ограничено, и они распределены по всему миру, не пренебрегайте этим. Относительно анализа данных, это хорошо видно по таблице рейтинга лучших специалистов по версии Kaggle.
Если вы действительно любите то, над чем упорно работаете, то очень трудно отпустить контроль, однако если вы найдете подходящих людей, становится намного легче. Как отметил Стив Джобс, одна из самых интересных вещей, когда вы собираете группу из десятка классных людей, состоит в том, что они сами стремятся к тому, чтобы в эту группу не попал лишний человек. То есть эта команда уже начинает проявлять признаки самоорганизации.
Зарабатывая деньги, вы можете ускорить процесс масштабирования продукта. Один из возможных путей – ICO, но такой подход имеет определенные сложности, и вы можете использовать с той же целью краудфандинговые платформы, например, WeFunder.
С другой стороны, можно задаться целью привлечь венчурный капитал. Нужно быть готовым расписать технические особенности продукта и уметь объяснить, как ваше решение обеспечит последующий заработок. В этом смысле поможет наращивание аудитории: так проще найти тех, кто готов инвестировать в вашу идею.
Комментарии