借鑒巨頭創建機器學習的創企需考慮五大變量
圍繞人工智能(AI)和機器學習(ML)的炒作已經達到令人難以置信的程度，有些評論人士稱AI為第四次工業革命，其他人則稱其為新電力。我是這種理論的信徒之一。大量資金正被投入到AI和ML領域的公司里，因為它們有可能對大多數行業產生革命性的改變，即使不是所有行業。請看下圖。
避免陷阱專注于真正的問題
這樣重大的技術革命應該得到廣泛而深入的融資，這可能為這個領域獲得巨額投資提供正當理由。但我擔心，許多企業家陷入了專注于AI基礎設施的陷阱中即算法和平臺而不是應用程序。
成功的公司通常是通過解決某個特定的用戶問題開始的，并隨著時間的推移不斷進化，直到最終基于某個方案打造出更廣泛的“平臺”。最重要的是解決具體的業務問題，而不是技術本身的問題。但是，考慮到這種技術的外化，我們很容易被算法和模型所吸引，而忽略了這些應用。
那么，對于偉大的AI與ML創業公司來說，什么原因造就偉大?可以概括為以下幾點：
- 消除或減少以前被認為難以實現自動化的領域的人類勞動;
- 利用新的能力(此前不具成本效益的新產品和服務)來開發“白色空間”;
- 通過將ML技術嵌入到應用程序中，使傳統應用程序變得更有價值。
為什么要避免相同層次的ML平臺?
你有沒有注意到，機器學習平臺似乎沒有類別之分?這里有幾個原因。像谷歌和Facebook這樣的網絡大公司不僅投資于AI和ML領域，而且采用開源工具和平臺的策略。鑒于這些網絡大公司可獲得龐大的資源和專門的獨特數據集，初創企業很難與它們進行競爭。如果你想要根據這些能力來區分你的創業公司，相對于那些大公司來說，你會面臨巨大的劣勢。
此外，廣泛報道的數據科學人才短缺的問題也影響了客戶利用平臺和算法的能力。缺乏人工智能技術意味著客戶沒有能力構建自己的AI和ML，因此，擁有相同層次平臺的初創公司最終會成為專業的服務角色，幫助每個客戶定義并實現他們的具體目標。
企業家打造同層次平臺的另一個重要方面，應該考慮到“市場化進程”的復雜性。不同的垂直市場可能有不同的購買行為，你可能需要通過不同渠道來解決不同的垂直問題。當然，在你選擇垂直市場之前，你應該確保它能保證足夠的規模和增長來支撐一個大企業。
測驗行業
如果你的ML模型可以應用于多個行業，那么在你決定關注哪一個行業之前，你需要考慮以下幾個變量：
1.部署成本 不僅要考慮客戶花多少錢購買你的技術，還要計算他們將當前的解決方案變為新產品的成本。舉例來說，如果中國的制造業工人每年能掙6000美元，而使用機器人代替這個工人的資本成本為4000美元，那么至少有6年的***回報期(不包括運營成本)。這種情況可能對普通的工廠經理沒有太大吸引力。
2.額外價值增加的額外價值超過成本開支，你的基于ML的軟件還能提供什么價值?能提供更好的質量、提高客戶滿意度、減少錯誤、提高性能亦或是吞吐量等等?例如，在招聘方面，人們有偏見和偏好。因此，像Gild、Entelo以及Textio等初創公司都已經開發出基于ML的軟件，它們可以在沒有這些偏見的情況下自動雇傭員工。
3.監管/合規問題 是否有大量的繁文縟節可能會讓你的產品的采用過程變得更復雜?一個明顯的例子就是自動駕駛汽車。
4.潛在客戶之間的目標矛盾AI和ML消除或減少人類勞動的規模，可能比任何現有技術都大得多，因此產生的阻力也要大得多。你的銷售團隊會因為你的新技術而丟掉工作嗎?例如，IT外包公司的一個主要擔憂是，由于“自動化”影響，按小時收費的維護工作減少了。
5.行業準備 有時候，由于極端的避險心理，一個行業還沒有準備好接受新的解決方案。我們看到那些在激勵措施上專注于工作時間而非效率的行業，也可能會因停工而受到懲罰。如果市場規模龐大且資本充足，那么替代策略或許是合理的比如Uber在全球范圍內與監管和出租車工會大打出手。
總而言之，為了充分利用AI和ML帶來的巨大機會，你應該：1.避免大型網絡公司具有結構性優勢的領域;2.讓產品解決了用戶的明顯痛點，而且買方不存在內部矛盾;3.根據行業準備采用AI和ML技術的意愿程度，選擇一個目標行業，而且這個行業不能存在重大的監管障礙。
