人工智能初創(chuàng)企業(yè)全攻略

迭代式精益創(chuàng)業(yè)原則在今天已被充分理解，最低可行產(chǎn)品(MVP)是機構(gòu)風險投資的先決條件，但很少有初創(chuàng)企業(yè)和投資者將這些原則擴展到他們的數(shù)據(jù)和AI策略中。他們認為，可以在未來的某個時候，用他們以后會招募的人員和技能來驗證自己對數(shù)據(jù)和人工智能的假設。

但我們所見過的最好的人工智能初創(chuàng)企業(yè)都是盡可能早地發(fā)現(xiàn)，它們是否收集了正確的數(shù)據(jù)，確保它們計劃建立的人工智能模型是否有市場，以及這些數(shù)據(jù)是否得到了恰當?shù)氖占?。因此，我們堅信，在您的模型達到早期客戶所需的最小算法性能(MAP)之前，您必須嘗試驗證您的數(shù)據(jù)和機器學習策略。如果沒有這種驗證(相當于迭代軟件beta測試的數(shù)據(jù))，您可能會發(fā)現(xiàn)，花費大量時間和金錢構(gòu)建的模型沒有您希望的那么有價值。

那么如何驗證算法呢?這里有三個關鍵測試你必須了解:

1. 測試數(shù)據(jù)的預測性

2. 測試模型市場適合度

3. 測試數(shù)據(jù)和模型的保質(zhì)期

下面，讓我們來依次分析每個測試吧!

測試預測性

初創(chuàng)公司必須確保為其AI模型提供動力的數(shù)據(jù)能夠預測，而不僅僅是與AI的目標輸出相關聯(lián)。

由于人體非常復雜，人工智能驅(qū)動的診斷工具是一種特別容易將相關信號誤認為具有預測性的信號的應用。通過應用AI跟蹤每周掃描的細微變化，我們遇到了許多公司在患者結(jié)果方面取得了令人難以置信的收益。潛在的混雜因素可能是正在進行這些每周掃描的患者也更經(jīng)常地記錄他們的生命體征，這也可能提供關于疾病進展的微妙線索。所有這些附加數(shù)據(jù)都用在算法中。人工智能是否可以在這些侵入性較小的生命體征上得到有效的訓練，從而降低患者的成本和壓力。

為了從真正的預測輸入中梳理出混雜的相關性，您必須盡早進行實驗，以便在有和沒有輸入的情況下比較AI模型的性能。在極端情況下，圍繞相關關系構(gòu)建的AI系統(tǒng)可能更昂貴，并且可能比圍繞預測輸入建立的AI系統(tǒng)獲得更低的利潤。此測試還使您能夠確定是否正在收集AI所需的完整數(shù)據(jù)集。

測試模型市場適合度

您應該與產(chǎn)品市場契合度分別測試模型市場擬合。一些初創(chuàng)公司可能首先使用用于捕獲培訓數(shù)據(jù)的“預AI”解決方案進入市場。即使您可能已經(jīng)建立了適合該AI前產(chǎn)品的產(chǎn)品市場，但您不能假設該AI前解決方案的用戶也會對AI模型感興趣。模型市場擬合測試的見解將指導您如何打包AI模型并建立合適的團隊以將該模型推向市場。

測試模型-市場匹配比測試產(chǎn)品-市場匹配更難，因為用戶界面很容易原型化，但人工智能模型很難模擬。要回答模型-市場匹配問題，您可以使用“幕后人”來模擬AI模型，以評估最終用戶對自動化的響應。虛擬調(diào)度助理啟動X.AI，使用這種方法來訓練它的調(diào)度程序機器人，并通過觀察人類訓練者進行的數(shù)萬次交互來找到合適的交互模式和音調(diào)。這種方法可能不適用于內(nèi)容或數(shù)據(jù)可能包含敏感或受法律保護的信息的應用程序，例如醫(yī)生與其患者或律師與其客戶之間的交互。

為了測試客戶是否愿意為AI模型付費，您可以將數(shù)據(jù)科學家奉獻給現(xiàn)有客戶的顧問，并為他們提供個性化的，數(shù)據(jù)驅(qū)動的規(guī)范性見解，以展示AI的投資回報率。我們已經(jīng)看到許多初創(chuàng)公司在醫(yī)療保健，供應鏈和物流領域提供這項服務，以說服客戶投入時間和人力來建立與客戶技術堆棧的集成。

測試數(shù)據(jù)和模型保質(zhì)期

初創(chuàng)公司必須盡早了解他們的數(shù)據(jù)集和模型過時的速度，以便保持適當?shù)臄?shù)據(jù)收集和模型更新速率。由于上下文漂移，數(shù)據(jù)和模型變得陳舊，當AI模型試圖預測的目標變量隨時間變化時發(fā)生。

上下文信息可以幫助解釋上下文漂移的原因和速率，以及幫助校準漂移的數(shù)據(jù)集。例如，零售購買可能與季節(jié)有關。人工智能模型可能會發(fā)現(xiàn)冬季羊毛帽的銷量增加，并且在4月份未能成功推薦給客戶。如果在收集數(shù)據(jù)時沒有記錄，那么關鍵的上下文信息就無法恢復。

為了衡量上下文漂移的速度，您可以嘗試“模擬”模型并觀察其在實際設置中性能下降的速度。您可以使用以下某些策略在不訓練數(shù)據(jù)的情況下執(zhí)行此操作：

1. 在適用的情況下，使用已知框架構(gòu)建基于規(guī)則的模型;

2. 重新調(diào)整在強相關但獨立的域上訓練的模型，例如使用書籍推薦模型來推薦電影;

3. 使用機械特克斯模擬客戶數(shù)據(jù);

4. 與行業(yè)現(xiàn)有企業(yè)合作獲取歷史數(shù)據(jù);

5. 在互聯(lián)網(wǎng)上搜索公開數(shù)據(jù);

如果模擬模型快速降級，AI模型將容易受到上下文漂移的影響。在這種情況下，歷史數(shù)據(jù)可能在過去的某個時間點之后沒有用，因為訓練過時數(shù)據(jù)的AI模型將不準確。

新時代，新劇本

企業(yè)客戶和投資者越來越多地將數(shù)據(jù)和人工智能視為初創(chuàng)公司必要的競爭優(yōu)勢，但人工智能產(chǎn)品仍然需要重量級的開發(fā)流程。與所有業(yè)務問題一樣，您仍必須盡可能早地驗證您的數(shù)據(jù)和人工智能策略，以避免在無法取得成果的項目上浪費寶貴的時間和資源。這里概述的三個測試提供了一種在構(gòu)建工作模型之前驗證AI模型的方法。 隨著越來越多的初創(chuàng)公司實施它們，這些想法將成為創(chuàng)建精益AI啟動的工具包的一部分，并將改變智能時代風險投資的標準。