我是一家人工智能初创公司的技术联合创始人，但我们没有成功。PharmaForesight专注于医药商业智能领域，下面是我们的电梯广告：“目前药企的研发回报低于资金成本，药企投资的利润越来越低在创新药物中。决定进行哪些临床试验，并获得批准的可能性是目前以非常主观和有偏见的方式计算的一个关键指标。我们的人工智能算法可以更准确地估计这个数字，它节省了时间和金钱，最终造福患者。”我们拥有一支强大的团队，并使用精益创业策略快速迭代；我们对各种不同的利益相关者进行了近100次采访，以确定早期的产品购买者并验证他们对我们产品的需求；仅仅4个月后，我们就与一家大型制药公司的全球投资组合管理办公室合作，该公司支付我们建造模型的费用，我们还保留了所有知识产权。然而，尽管有许多初创公司的成功故事，PharmaForesight还是失败了。由于运气不好和判断失误，我们最终没有成行。这次失败让我更加清楚，人工智能初创公司与SaaS初创公司在战略和方法上存在细微差别——但并未得到广泛认可。这篇文章的目的是把我们犯过的错误说出来，让更多的AI创业公司不会重蹈覆辙。首先，什么是人工智能初创公司？有很多初创公司声称他们使用人工智能，但实际上，他们使用的是外包人工或基本统计技术。伦敦MMCVentures的一项研究发现，40%的所谓AI初创公司实际上并未使用AI。这篇文章的重点是，如果没有相对现代的机器学习技术，人工智能初创公司是不可能的。例如，如果没有深度学习算法，Poly.ai就不可能存在。这与仅在部分产品中使用人工智能的公司形成鲜明对比。例如，Spotify在机器学习方面投入了大量资金，机器学习现在是其战略的核心。但Spotify在机器学习出现之前就以一种协调的方式使用了它。对我来说，它更像是一家SaaS公司。从这个角度，我将向大家介绍我在创办人工智能初创公司时的一些经验教训。1.专有数据是关键图源：unsplash在商业环境中，将AI视为一种底层支持技术的最佳方式，很像1980年代出现的SQL数据库。SQL创造了价值数十亿美元的行业，例如客户关系管理。同样，人工智能将创造新的行业，并在许多业务用例中实现改进。与SQL数据库一样，人工智能依赖于数据。众所周知，数据远比算法重要。高质量的专有数据对于AI初创公司至关重要。事后看来，我们的数据策略是错误的。最初，我们选择了更快、更简单的方法——在公开数据上构建该工具的第一个版本。清理和转换数据以准备用于机器学习需要花费大量时间，当时我们认为这有一定的可靠性。我们还认为，一旦我们获得了一定的可信度，就可以更容易地访问更有趣、更可靠的专有数据集。事实证明，其中许多假设都是错误的。当我们开始建模型的时候，我们找不到人来处理这个问题，但是当我们建完模型的时候，竞争者很多。即使我们的算法更准确，也很难将它们与更成熟的竞争对手区分开来，尤其是因为每个人似乎都在使用相似的数据。构建模型似乎并没有使访问专有行业数据集变得更容易（尽管当时我们的钱用完了，否则我们无疑可以更彻底地测试它）。访问专有数据集对于AI公司来说绝对是关键。一般来说，获取专有数据集有三种方法，它们并不相互排斥：通过创建初始产品或服务来收集数据，当用户与之交互时，生成的数据可用于改进产品或服务。Facebook、谷歌、Spotify和许多其他公司就是这种情况。通过手动收集小型专有数据集来收集数据。这种方法可用于训练初始机器学习模型，此时模型需要表现良好才能至少满足一些早期买家。随后的合作伙伴关系将允许扩大数据收集，以便改进模型等。HoxtonAnalytics是采用这种方法的一家公司。与数据持有者（通常是大公司或公共机构）的交易。例如，SensyneHealth已经与英国的几家NHSTrusts达成了协议。在这三个选项中，我推荐第三个，原因如下：如果你选择第一个，你就不是AI创业公司。因为您可以在没有AI的情况下提供服务，所以对于您可以做的事情，AI显然不是必需的。当然，人工智能可能会显着改善你的产品或服务，但它必须足够好才能收集大量用户数据。如果你选择第二个选项，创建AI初创公司的可能性仍然很大，但为了最大限度地提高成功的机会，初始数据集需要足以满足利基市场，或者你的方法与现有解决方案相比。需要足够的创新。遵循这种方法的风险在于，在你开发合作伙伴收集大量数据之前，你的想法和数据集很容易被竞争对手复制，尤其是当你处理的是一个众所周知的用例时。这样一来，创建人工智能初创公司的关键途径就剩下第三种方式了——与大数据持有者进行交易，获取他们的数据。这就是为什么绝大多数AI初创公司都是B2B的。大型机构和公司往往行动迟缓，与他们打交道通常需要时间。允许另一家公司访问数据可能存在道德或商业问题，这也有待解决。但总的来说，公司将越来越意识到他们持有的数据的价值。当然，还有一些人工智能创业公司并没有遵循以上任何一种选择，而是凭借自身算法的优势取得了不俗的成绩，比如DeepMind（2014年被谷歌5亿美元收购）和MagicPony（2016年被谷歌收购）。推特1.5亿美元）。但这条路很艰难，如果没有专有数据集，就很难保持竞争优势。2.AI初创公司融资非常困难融资是创业中最困难的部分之一。这个过程涉及很多技能：讲故事、销售、商业头脑、法律等。为AI初创公司筹集资金尤其具有挑战性。来源：unsplash我们原本以为，如果创业的想法和团队足够强大，足够有吸引力，那么我们就可以筹集到资金。然而，我们大错特错了。创业时考虑可能的资本投资至关重要。不同的资助者有不同的目标和限制，从一开始就认识到这些很重要。早期创业公司的两个主要资助者是：技术风险投资(VC)–早期公司的机构投资者。在创业初期，他们主要关注三个方面——强大的团队、庞大的市场规模和良好的初期牵引力。巨大的市场规模至关重要。由于风险投资公司通常将大量资金投入风险极高的企业，因此他们预计大部分投资都会破产。所以要想投资成功，他们不仅需要看到10倍以上的回报，还需要在5年的时间段内看到回报。这意味着如今由风险投资支持的公司通常是专注于颠覆大型行业的SaaS初创公司。如果你接受风险投资，创始团队通常对公司的控制权较小。大多数VC坚持持有优先股（这样如果公司售价低于他们的投资价值，你就可以收回你的股权）和摆脱创始团队的能力（尽管这种做法很少见）。天使投资人——天使投资人有各种形式和规模。有的希望和VC一起投资，有的希望提供更稳定的资金。天使投资通常意味着您对自己的业务保留更多控制权。在英国，除非你人脉深厚，或者有过成功的创业史，否则很难筹集到50万英镑以上的天使投资。大多数天使投资人会在10年左右的时间内退出。鉴于上述限制，为AI初创公司寻找资金尤其具有挑战性。首先，AI初创公司通常比SaaS初创公司需要更长的时间才能起步。人工智能算法依赖于数据，而大数据的持有者通常是大公司，通过任何手段获取大公司持有的数据都非常耗时。即使您可以访问数据，您不仅需要关注业务开发和软件平台（如SaaS初创公司），还需要关注AI算法。考虑到你需要更专业的技能，再加上更长的创业时间，这意味着通常需要更多的资金来启动人工智能创业公司，而这些资金需要是“稳定的资本”。对于大多数创始人来说，这排除了长期天使投资（除非你有很好的人脉）——因为所需的资金量实在是太高了。但是当你向VC推销时，你是在与传统的SaaS公司竞争。如果一切顺利，这些SaaS公司可能会看到更快的回报。SaaS是一种有吸引力的商业模式，具有定期的经常性收入，而且用户即使不经常使用该服务也会忘记取消订阅。在过去的十年里，SaaS商业模式对于VC来说非常成功，很多VC都陷入了这种思维模式，但这种思维模式并不适用于很多人工智能创业公司。很多人对我们说，“当你有订阅收入时，再回来找我们。”大多数AI创业公司会发现，至少在前几年，你会发现很难产生订阅收入，需要采用完全不同的商业模式。您的提案需要更具说服力才能筹集到更多资金。3.根据用例，可解释性是关键即使您拥有专有数据集和出色的产品，也不一定意味着您的产品会成功。如果你要创办一家人工智能初创公司，对人工智能和机器学习有一定的了解是很重要的。然而，一般人对这些话题并不熟悉，他们也可能怀疑自己的潜力。简而言之，您需要令人信服的证据证明您的模型有效。现场演示可能会奏效。如果这还不够，请尝试使用具体的、精心挑选的示例，而不是高精度的数字。这听起来可能违反直觉，但如果您有数学背景就更好了。能够解释模型的预测会增加人们对模型的信任。根据您的用例，能够清楚地解释模型的每个预测通常与准确性一样重要。可解释性是一个广泛的话题，但总的来说，您的解释应该尽可能易于理解。经验法则是，每个人的预测越重要，其可解释性就越重要。来源：unsplash人工智能是一项令人惊叹的赋能技术，毫无疑问它将在未来几年对我们的生活产生不可思议的影响。但这并不意味着启动AI初创公司很容易——它远非困难。我开始了解到，建立AI初创公司有许多独特的困难和未被充分认识的方面。创立PharmForesight后，我??坚信亨利福特的名言：“真正的错误是我们未能从错误中吸取教训。”以此为戒。
