Colaborador de Chaitanya Vaidya
Con el auge de los modelos de IA de código abierto, la mercantilización de esta tecnología innovadora está sobre nosotros. Es fácil caer en la trampa de apuntar un modelo recién lanzado a un grupo demográfico tecnológico deseable y esperar que tenga éxito.
Crear un foso cuando se puede acceder fácilmente a tantos modelos crea un dilema para las nuevas empresas de IA en etapa inicial, pero aprovechar las relaciones profundas con los clientes en su dominio es una táctica simple pero efectiva.
El foso real es una combinación de modelos de IA entrenados en datos patentados, así como una comprensión profunda de cómo un experto realiza sus tareas diarias para resolver problemas de flujo de trabajo matizados.
En industrias altamente reguladas donde los resultados tienen implicaciones en el mundo real, el almacenamiento de datos debe pasar un alto nivel de verificación de cumplimiento. Por lo general, los clientes prefieren empresas con antecedentes a las nuevas empresas, lo que promueve una industria de conjuntos de datos fragmentados donde ningún jugador tiene acceso a todos los datos. Hoy, tenemos una realidad multimodal en la que los jugadores de todos los tamaños tienen conjuntos de datos detrás de servidores de jardín amurallado altamente compatibles.
Esto crea una oportunidad para que las nuevas empresas con relaciones existentes se acerquen a clientes potenciales que normalmente subcontratarían su tecnología para lanzar una prueba piloto con su software para resolver problemas específicos de los clientes. Estas relaciones pueden surgir a través de cofundadores, inversores, asesores o incluso redes profesionales anteriores.
El foso real es una combinación de modelos de IA entrenados en datos patentados, así como una comprensión profunda de cómo un experto realiza sus tareas diarias para resolver problemas de flujo de trabajo matizados.
Mostrar las credenciales tangenciales de los clientes es una forma efectiva de generar confianza: los indicadores positivos incluyen miembros del equipo de una universidad conocida por sus expertos en inteligencia artificial, una demostración sólida en la que el prototipo permite a los clientes potenciales visualizar los resultados o un análisis de caso de negocios claro de cómo ayudará su solución. ellos ahorran o ganan dinero.
Un error que suelen cometer los fundadores en esta etapa es suponer que la creación de modelos de datos de clientes es suficiente para la diferenciación y el ajuste del producto al mercado. En realidad, encontrar PMF es mucho más complejo: solo arrojar IA a un problema crea problemas con respecto a la precisión y la aceptación del cliente.
Superar el alto nivel de aumento de expertos experimentados en industrias altamente reguladas que tienen un conocimiento complejo de los cambios diarios generalmente resulta ser una tarea difícil. Incluso los modelos de IA que están bien entrenados en datos pueden carecer de la precisión y los matices del conocimiento del dominio experto o, lo que es más importante, de cualquier conexión con la realidad.
Un sistema de detección de riesgos entrenado en una década de datos puede no tener idea de las conversaciones de expertos de la industria o las noticias recientes que podrían hacer que un widget que antes se consideraba “riesgoso” fuera completamente inofensivo. Otro ejemplo podría ser un asistente de codificación que sugiera la finalización del código de una versión anterior de un marco de front-end que se ha beneficiado por separado de una sucesión de lanzamientos de funciones de ruptura de alta frecuencia.
En este tipo de situaciones, es mejor que las startups confíen en el patrón de lanzamiento e iteración, incluso con pilotos.
Hay tres tácticas clave en la gestión de pilotos:
Source link