スタートアップが大手企業から学び機械学習を開発する際に考慮すべき5つの変数

[[186364]]

人工知能 (AI) と機械学習 (ML) をめぐる誇大宣伝は信じられないほどのレベルに達しており、一部の評論家は AI を第 4 次産業革命と呼び、他の評論家は AI を新しい電気と呼んでいます。私はこの理論を信じる者の一人です。 AI や ML の分野で活動する企業には、すべてではないにしてもほとんどの業界に革命を起こす可能性を秘めているため、巨額の資金が注ぎ込まれています。下の写真をご覧ください。

落とし穴を避け、本当の問題に焦点を当てる

このような大規模な技術革命には、幅広く多額の資金が必要であり、この分野への巨額の投資を正当化できる可能性がある。しかし、多くの起業家がアプリケーションではなく、AI インフラストラクチャ (アルゴリズムとプラットフォーム) に重点を置くという罠に陥ってしまうのではないかと私は懸念しています。

成功している企業は、多くの場合、特定のユーザーの問題を解決することから始まり、時間の経過とともに進化し、最終的にはそのソリューションに基づいてより広範な「プラットフォーム」を構築します。最も重要なことは、テクノロジー自体の問題ではなく、特定のビジネス上の問題を解決することです。しかし、このテクノロジーが外部化されているため、アルゴリズムやモデルにとらわれてアプリケーションを見失いがちです。

では、優れた AI および ML スタートアップの素晴らしさとはどのようなものでしょうか? 要約すると次のようになります。

1. これまで自動化が困難だと考えられていた分野での人的労力を排除または削減します。
2. 新しい機能（以前は費用対効果が悪かった新しい製品やサービス）で「ホワイトスペース」を活用する。
3. ML テクノロジーをアプリケーションに組み込むことで、従来のアプリケーションの価値を高めます。

同じレベルの ML プラットフォームを避けるのはなぜですか?

機械学習プラットフォームのカテゴリが存在しないことに気付きましたか? その理由をいくつか挙げます。 Google や Facebook などの大手 Web 企業は、AI や ML の分野に投資しているだけでなく、ツールやプラットフォームをオープンソース化する戦略も採用しています。これらのウェブ大手がアクセスできる膨大なリソースと専門的でユニークなデータセットを考えると、スタートアップ企業が彼らと競争するのは困難です。これらの機能に基づいてスタートアップを差別化しようとすると、大企業に比べて大きな不利を被ることになります。

さらに、広く報告されているデータサイエンスの人材不足は、顧客がプラットフォームとアルゴリズムを活用する能力に影響を与えています。 AI テクノロジーが不足しているということは、顧客が独自の AI や ML を構築する能力がないことを意味します。そのため、同じレベルのプラットフォームを持つスタートアップは、各顧客が特定の目標を定義して達成するのを支援する専門的なサービス ロールを担うことになります。

起業家がピアレベルのプラットフォームを構築する上でもう一つ重要な側面は、「市場化プロセス」の複雑さを考慮することです。垂直市場が異なれば購買行動も異なるため、異なるチャネルを通じて異なる垂直問題を解決する必要があるかもしれません。もちろん、垂直市場を選択する前に、大規模なビジネスをサポートするのに十分な規模と成長を保証できることを確認する必要があります。

テスト業界

ML モデルを複数の業界に適用できる場合、どの業界に重点を置くかを決定する前に考慮する必要がある変数がいくつかあります。

1. 導入コスト 顧客がテクノロジーに費やす金額だけでなく、現在のソリューションから新しい製品への移行にかかるコストも考慮します。たとえば、中国の製造労働者の年間収入が 6,000 ドルで、その労働者をロボットに置き換えるための資本コストが 4,000 ドルの場合、最大回収期間 (運用コストを除く) は少なくとも 6 年になります。このシナリオは、平均的な工場管理者にとってはあまり魅力的ではないかもしれません。

2. 付加価値 追加された付加価値がコスト支出を上回ります。ML ベースのソフトウェアは他にどのような価値を提供しますか? 品質の向上、顧客満足度の向上、エラーの削減、パフォーマンスやスループットの改善などを実現できますか? たとえば、採用においては、人には偏見や好みがあります。その結果、Gild、Entelo、Textio などのスタートアップ企業は、こうした偏見なしに従業員を自動的に雇用できる ML ベースのソフトウェアを開発しました。

3. 規制/コンプライアンスの問題 製品の導入を複雑にする煩雑な手続きは多くありますか? わかりやすい例としては自動運転車があります。

4. 潜在的顧客間の目標の対立 AI と ML は、既存のテクノロジーよりもはるかに大きな規模で人間の労働を排除または削減する可能性があるため、はるかに大きな抵抗を生み出す可能性があります。新しいテクノロジーのせいで営業チームの仕事が減ることはありませんか? たとえば、IT アウトソーシング企業にとっての大きな懸念は、「自動化」によって時間単位で請求されるメンテナンス作業が削減されることです。

5. 業界の準備 場合によっては、極端なリスク回避のために、業界が新しいソリューションを受け入れる準備ができていないことがあります。効率性よりも労働時間にインセンティブを重点的に与える業界では、ダウンタイムに対してもペナルティを受ける可能性があることがわかります。市場が大きく、資本が豊富であれば、Uber が規制当局やタクシー組合と世界規模で戦っているような代替戦略が意味をなすかもしれない。

まとめると、AI と ML がもたらす大きなチャンスを最大限に活用するには、次の点に注意する必要があります。1. 大手ネットワーク企業が構造的に優位に立っている分野を避ける。2. 製品がユーザーの明確な問題点を解決し、購入者側に内部対立がないようにする。3. AI と ML 技術の導入準備状況に基づいて対象業界を選択する。この業界には大きな規制上の障壁があってはなりません。