5 критериев оценки ИИ-стартапов

Согласно отчету McKinsey, экономический эффект от применения генеративного искусственного интеллекта мог бы ежегодно составлять 2,6 – 4,4 триллиона долларов. Чтобы легче это осознать, вспомним, что, например, весь валовой внутренний продукт Великобритании за 2021 год составлял 3,1 триллиона долларов.

Порядка 75% этой суммы составили бы прибыли за счет лучшей производительности в клиентских операциях, продажах и маркетинге, софтверном инжиниринге и НИОКР.

Невероятный потенциал генеративного ИИ вызвал к жизни массу новых стартапов, нацеленных на внедрение больших языковых моделей в контекст производственной организации.

Типовые продукты таких стартапов – помощники сотрудников, генераторы контента для маркетинговых задач, автоматизация бэк-офиса, решения для выгодного использования предприятиями собственного предшествующего опыта.

Продукты на основе ИИ уже начинают приближать нас к достижению указанного выше экономического эффекта: уже существенно снижаются операционные издержки, растут продажи, эффективность трудового вклада работников увеличивается.На фоне невиданных перспектив число стартапов генеративного ИИ за последние пару лет выросло в разы. Один лишь поиск идеального чатбота для клиентской поддержки плодит сотни стартаперских команд.

Причина этого в двух вещах. Во-первых, технологии больших языковых моделей (LLM) от лидеров ИИ-отрасли, таких как OpenAI, есть в свободном доступе через программные интерфейсы.

А, во-вторых, при всем преобладании на рынке совершенно новых ИИ-стартапов есть и многие, которые созданы до 2022 года и все равно внедряют в свои пакеты программ генеративный искусственный интеллект.

Тема, безусловно, в моде, стартапов море, и клиентам из числа предприятий, как и инвесторам, не так-то просто найти в этом море нужную себе «рыбку».

Стоит обратить внимание на пять моментов:

1) Кастомизация LLM

Что использует стартап: просто взятую «с полки» языковую модель (скажем, ChatGPT от OpenAI) или творчески переработанную? Адаптация языковой модели может означать доведение «до ума» готового решения или построение под нужды клиента нового на основе открытого кода вроде Llama от Meta.

Чем глубже кастомизация, тем, как правило, выше точность ИИ, и это свидетельствует о серьезной квалификации инженеров команды.

2) Комплексные отраслевые данные для обучения системы

Есть ли у стартапа доступ к большому объему собственной информации для обучения LLM – причем информации, которая релевантна интересующей клиента отрасли?

К примеру, ИИ-помощник службы кол-центров клиентской поддержки окажется куда эффективнее, если его модель обучена на обширной базе прежнего опыта контактов с клиентом. Чем ближе обучающие данные к сути интересующей вас отрасли, тем лучше.

3) Большой плюс: речь в текст – текст в речь

Многие корпоративные продукты на основе генеративного ИИ для понимания и создания контента поддерживают голосовой аудиофункционал. Это уже не просто языковая модель, такой функционал обычно предлагают крупные игроки вроде Google, Amazon или Microsoft.

Если у ИИ-решения есть голосовые варианты использования, понимание и тестирование опций «речь в текст – текст в речь», например, для распознавания отраслевого сленга или диалектов очень важны.

4) Масштаб и глубина API-интеграции

Отличительная черта корпоративного генеративного ИИ – способность системы напрямую взаимодействовать с системами предприятия, такими как Salesforce, SAP, пр.

Это в первую очередь становится возможным за счет применения программных интерфейсов, а значит более комплексная интеграция интерфейсов обеспечит более масштабную автоматизацию процессов. Легкость взаимного интегрирования API – тоже фактор, который стоит учесть при выборе стартапа.

5) Удобство для всех

Решение генеративного ИИ будет значительно более эффективно применено на производстве, если его функционал будет понятен и доступен пользователям из числа не только инженеров или ученых.

Присмотритесь к продуктам, которые выстроены на бескодовой основе либо где программирования минимум. Обратите внимание на качественные инструменты аналитики или A/B-тестирования, с которыми способны работать люди бизнеса, а не только технологий.

Внешний вид интерфейса и опыт взаимодействия пользователя с продуктом должны выстраиваться на интуитивном понимании безо всякого специального обучения. И даже для внедрения системы обучение не должно занимать больше, чем пара-тройка дней.

Ключ к успеху ИИ – в его многофункциональности

Мир продолжает с восторгом следить за тем переворотом, что совершает генеративный ИИ в создании экономики знаний. С его помощью привычные для нас подходы к клиентским операциям, продажам и маркетингу уйдут в прошлое, а отдача вырастет.

В ближайшие несколько лет корпоративный генеративный ИИ будет все более мультимодальным; новые решения смогут одновременно выполнять множественные операции ввода и извлечения данных, таких как изображения, аудио, видео и текст.

И тогда применение искусственного интеллекта может стать почти повсеместным, даже вне сегодняшнего контекста традиционных клиентских кейсов, а это будет означать новый виток развития в этом безграничном пространстве.