人工智能初创公司创办过程中的三个关键教训
全文共4375字，预计学习时长11分钟
图源：unsplash
我是一家人工智能初创公司的技术联合创始人，然而我们并未取得成功。Pharma Foresight着眼于医药商业智能领域，下面是我们的电梯广告：
“目前制药公司的研发回报率低于资本成本，因此制药公司投资创新药物的利润越来越低。决定要进行哪些临床试验，获得批准的可能性是一个至关重要的指标，而这种指标目前正以一种非常主观且有偏见的方式来计算。我们的AI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。”
我们有一个很强大的团队，并采用精益创业策略进行快速迭代；我们与各种不同的利益相关者进行了接近100次的访谈，以确定早期的产品购买者并验证了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，该公司支付了我们构建模型的费用，我们也保留了所有的知识产权。
然而，尽管遵循了很多初创公司的成功经验，PharmaForesight还是失败了。由于时运不济和判断失误，我们最终并没有成功。
这次失败让我更清晰地明确了一个道理：人工智能初创公司与SaaS初创公司采用的策略和方法是有微妙的区别的——但这并没有得到广泛认可。这篇文章的目的就是讲述我们曾犯的错误，避免更多的AI初创公司重蹈覆辙。
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，他们使用的只是外包的人工劳动力或是基本的统计技术。伦敦MMC Ventures的一项研究发现，40%的所谓人工智能初创公司实际上并没有使用人工智能。
而本文的观点是，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存在的。比如，Poly.ai如果没有深度的学习算法就不可能存在。
这与那些只有部分产品使用了AI的公司形成了鲜明对比。例如，Spotify就在机器学习上投入了大量资金，而且机器学习如今已成为其战略的核心。但是，Spotify在以一种协调的方式使用机器学习之前就已经存在了。对我来说，它更像是一个SaaS公司。
从这个角度出发，我将向你介绍我在创办人工智能初创公司中学到的一些经验。
1.专有数据是关键
图源：unsplash
在商业情景中，思考人工智能的最佳方式是将其视为一种底层的支持技术，就像20世纪80年代出现的SQL数据库一样。SQL创造了价值数十亿美元的行业，比如客户关系管理。同样，人工智能将创造新的行业，并在大量商业用例中实现改进。
与SQL数据库一样，人工智能也依赖于数据。数据远比算法重要，这一点是公认的。高质量的专有数据对人工智能初创公司来说至关重要。
事后看来，我们的数据策略是错误的。最初，我们选择了更快更容易的方法——在公开的数据上构建工具的第一个版本。清洗和转换数据为机器学习做好准备，这花费了大量的时间，而当时的我们认为这其中有一定的可靠性。我们还以为，一旦我们获得了一定的可信度，那么访问更有趣、更可靠的专有数据集就要容易得多了。
事实证明，这些假设中有许多都是错误的。当开始构建模型时，我们找不到任何人来处理这个问题，但当我们完成模型构建时，又出现了许多竞争对手。即使我们的算法更精确，也难以与更成熟的竞争对手区分开来，尤其是似乎大家都使用了相似的数据。
构建模型似乎并没有让访问专有行业的数据集变得更容易（尽管我们当时资金用尽，否则我们无疑可以对此进行更彻底的测试）。对人工智能公司来说，访问专有数据集绝对是关键。
一般来说，有三种获取专有数据集的方法，而且它们不会相互排斥：
· 通过创建初始产品或服务的方式来收集数据，当用户与之交互时，该产品或服务会生成数据，这些数据随后可以用于改进产品或服务。例如Facebook、谷歌、Spotify和其他很多类似的网站都是这样。
· 通过手动收集一个小型专有数据集的方式来收集数据。这种方式可以用来训练初始的机器学习模型，此时模型需要表现得足够好，才能至少满足一些早期购买者的需求。随后的合作关系将使数据收集的规模得以扩大，从而可以改进模型等。Hoxton Analytics就是采用这种方法的公司之一。
· 与数据持有者（通常是大公司或公共机构）进行交易。例如，Sensyne Health已经与英国的几个国民医疗服务联合体（NHS Trusts）达成了一项交易。
在这三种选择中，我推荐第三种，原因如下：
如果你选择第一种，说明你并不是一家人工智能初创公司。因为你可以在没有人工智能的情况下提供服务，所人工智能对于你所能做的事情显然不是必要的。当然，人工智能可能会极大地改善你的产品或服务，但它必须足够优秀才能够收集到大量的用户数据。
如果选择第二种，还是很有可能创建一个人工智能初创公司的，但是为了能让成功几率最大化，初始数据集需要充足的利基市场，或者与现有的解决方案相比，你的方法需要足够创新。遵循这种方法的风险在于，在发展合作伙伴以收集大量数据之前，你的想法和数据集很容易被竞争对手复制，特别是当你处理一个广为人知的用例时。
这么看来，创建人工智能初创公司的关键途径就剩下第三种了——与大的数据持有者进行交易，以获取他们的数据。这就是绝大多数人工智能初创公司都是B2B的原因。
大型机构和公司通常行动迟缓，与他们交易通常需要一定的时间。是否允许另一家公司访问数据可能存在伦理或商业上的顾虑，这个问题也有待解决。但总的来说，公司会越来越意识到他们所持有数据的价值。
当然，还有一些人工智能初创公司并没有遵循上述任何一项选择，而是凭借自身算法的优势取得了不错的业绩，例如DeepMind（2014年被谷歌以5亿美元收购）和MagicPony（2016年被Twitter以1.5亿美元收购）。但这条路是很艰难的，在没有专有数据集的情况下，要保持竞争优势要困难得多。
2.为人工智能初创公司筹集资金非常困难
筹集资金是创业过程中最困难的部分之一。这一过程中其实包含很多技巧：讲好故事、推销、商业头脑、法律等等。为一家人工智能初创公司筹集资金则格外有挑战性。
图源：unsplash
我们原本以为，如果创业的想法和团队足够强大，并且有足够的吸引力，那么我们就能够筹集到资金。然而，我们大错特错了。
创业之初时就考虑可能的资金投入至关重要。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是很重要的。早期创业的两大出资人是：
· 技术风险投资（VC）——对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始吸引力。
巨大的市场规模至关重要。由于风投通常会将大量资金投入风险极高的企业，他们会预计自己的大部分投资都会破产。所以为了投资成功，他们不仅需要看到超过10倍的回报，还需要看到时间周期在5年之内的回报。这意味着如今风投支持的公司通常是专注于颠覆大型行业的SaaS初创公司。
如果你接受了风投，那么创始团队通常对公司的控制权较小。大多数风投者坚持持有优先股（如果公司以低于他们投资价值的价格出售，那么你可以收回股权）和摆脱创始团队的能力（尽管这一点很少践行）。
· 天使投资者——天使投资者的形式和规模各不相同。有的希望与风投一起投资，而有的则希望能提供更稳定的资金。天使投资通常意味着你保留对自己的企业拥有更多控制权。在英国，除非你有良好的人脉，或者之前有过成功的创业经历，否则很难筹集到超过50万英镑的天使投资。大多数天使投资者会在10年左右之内退出。
基于上述的限制，为人工智能初创公司寻找投资格外有挑战性。
首先，人工智能初创公司通常比SaaS初创公司需要更长的起步时间。人工智能算法依赖于数据，而大的数据持有者通常是大公司，而通过任何方式获取获取大公司持有的数据都是很耗时。即使你可以访问数据，你不仅需要关注业务开发和软件平台（和在SaaS初创公司一样），还需要关注人工智能算法。
考虑到你需要更专业的技能，加之更长的起步时间，这意味着通常需要更多的资金来启动一家人工智能初创公司，这些资金需要是“稳定资本”。对大多数创始人来说，这就排除了长期天使投资的可能性（除非你人脉非常广）——因为所需的资金数额实在是太大了。
但当你向风投推销时，就是在与传统的SaaS公司竞争。如果一切顺利的话，这些SaaS公司可能会获得更快的回报。SaaS是一种很有吸引力的商业模式，它有定期的经常性收入，而且即使用户不经常使用该服务，他们也会忘记取消订阅。
在过去的十年里，SaaS商业模式对风投来说是非常成功，很多风投都陷入了这种思维模式中，但这种思维模式并不适用于很多人工智能初创公司。很多人说对我们说：“有了订阅收入后再来找我们。”
大多数人工智能初创公司会发现，至少在最初几年，你很难产生订阅收入，你需要采用一种完全不同的商业模式。你的提议需要更有说服力，才能筹集更多的资金。
3.根据用例，可解释性是关键
即使你有专有的数据集和出色的产品，也并不一定意味着你的产品会取得成功。如果你正在创办一家人工智能初创公司，一定要对人工智能和机器学习有一定的了解。然而，一般人并不熟悉这些话题，他们还可能会怀疑自己的潜力。
简单来说，你需要令人信服的证据来证明你的模型能顺利运行。现场演示可能有效。如果还不足以为信的话，那就尝试使用具体的、精心挑选的例子，而不是高精确度的数字。这听起来可能有悖常理，如果你有数学背景的话会更有体会。
能够解释模型的预测将增加人们对模型的信任。根据你的用例，能清楚地解释你模型的每一种预测通常与精确度同样重要。可解释性是一个很宽泛的话题，但总的来说，你的解释要尽可能得让人容易理解。
经验法则是，每个个体的预测越重要，其可解释性就越重要。
图源：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难以置信的影响。但这并不意味着创立一家人工智能初创公司很容易——其实困难远非如此。
我逐渐了解到创立人工智能初创公司有许多独有的困难，有许多方面没有得到充分的重视。在创立了PharmForesight之后，我坚信亨利·福特（Henry Ford）的名言：“真正的错误是我们没能从错误中学到经验。”
前车之鉴后事之师，我们犯过的上述错误，希望各位可以引以为戒。
推荐阅读专题
留言点赞发个朋友圈
我们一起分享AI学习与发展的干货
编译组：朱颜、闫欣阳
相关链接：
https://medium.com/swlh/three-crucial-lessons-for-launching-an-ai-startup-976d1d44f370
如转载，请后台留言，遵守转载规范
推荐文章阅读
ACL2018论文集50篇解读
EMNLP2017论文集28篇论文解读
2018年AI三大顶会中国学术成果全链接
ACL2017论文集：34篇解读干货全在这里
10篇AAAI2017经典论文回顾
长按识别二维码可添加关注
读芯君爱你
