AIスタートアップの構築から得た3つの重要な教訓

この記事は、公開アカウント「Reading the Core」（ID: AI_Discovery）から転載したものです。

私は AI スタートアップの技術共同設立者でしたが、成功しませんでした。 Pharma Foresight は、製薬ビジネス インテリジェンスの分野に重点を置いています。以下は私たちの概要です。

私たちは強力なチームを擁し、リーン スタートアップ戦略を使用して迅速に反復しました。さまざまな関係者と 100 件近くのインタビューを実施して、早期の製品購入者を特定し、製品に対する需要を検証しました。そしてわずか 4 か月後には、大手製薬会社のグローバル ポートフォリオ管理オフィスと提携し、モデルの構築費用を負担してもらい、知的財産はすべて保持することができました。

[[340845]]

しかし、他の多くのスタートアップ企業が成功するために用いてきたのと同じ方式に従ったにもかかわらず、PharmaForesight は失敗しました。運が悪く、判断が悪かったため、結局成功しませんでした。

この失敗によって、あまり知られていない真実が私に明らかになりました。それは、AI スタートアップと SaaS スタートアップが採用している戦略とアプローチが微妙に異なるということです。この記事の目的は、私たちが犯した間違いを共有し、より多くの AI スタートアップが同じ間違いを犯さないようにすることです。

まず、AI スタートアップとは何でしょうか?

人工知能を使用していると主張するスタートアップ企業は数多くありますが、実際には、アウトソーシングした手作業や基本的な統計手法を使用しているだけです。ロンドンに拠点を置くMMCベンチャーズの調査によると、いわゆるAIスタートアップ企業の40%は実際にはAIを使用していないことが判明した。

この記事のポイントは、比較的現代的な機械学習技術がなければ、AI スタートアップは不可能であるということです。たとえば、Poly.ai はディープラーニング アルゴリズムがなければ存在しなかったでしょう。

これは、一部の製品にのみ AI を使用している企業とはまったく対照的です。たとえば、Spotify は機械学習に多額の投資を行っており、現在ではそれが同社の戦略の中核となっています。しかし、Spotify は機械学習を協調的に使用する前から存在していました。私にとっては、SaaS 企業のように見えます。

それを念頭に置いて、AI スタートアップの構築から私が学んだ教訓のいくつかを皆さんと共有したいと思います。

1. 独自のデータが鍵

[[340846]]

画像ソース: unsplash

ビジネスの文脈で AI を考える最良の方法は、1980 年代に SQL データベースが登場したのと同じように、基盤となる実現技術として考えることです。 SQL は、顧客関係管理などの数十億ドル規模の産業を生み出しました。同様に、AI は新しい産業を生み出し、幅広いビジネスユースケースの改善を可能にします。

SQL データベースと同様に、AI もデータに依存します。データはアルゴリズムよりもはるかに重要であることが一般的に認識されています。高品質の独自データは AI スタートアップにとって非常に重要です。

振り返ってみると、私たちのデータ戦略は間違っていました。当初、私たちはより速く、より簡単な方法、つまり公開されているデータに基づいてツールの最初のバージョンを構築する方法を選択しました。機械学習用にデータをクリーニングして変換するにはかなりの時間がかかりましたが、当時はある程度の信頼性があると考えていました。また、ある程度の信頼性が得られれば、より興味深く信頼性の高い独自のデータセットにアクセスするのがはるかに容易になると考えました。

これらの仮定の多くは間違っていたことが判明しました。モデルの構築を始めた当初は、この問題に対処できる人が見つからなかったのですが、モデルの構築が終わると、多くの競合相手が現れました。たとえ当社のアルゴリズムがより正確であったとしても、特に誰もが同様のデータを使用しているように見えることから、より確立された競合他社との差別化は困難でしょう。

モデルを構築しても、業界独自のデータセットへのアクセスが容易になったわけではないようです (ただし、当時は資金が不足していたため、そうでなければ間違いなくこれをより徹底的にテストしていたでしょう)。 AI 企業にとって、独自のデータセットへのアクセスは極めて重要です。

一般的に、独自のデータセットを取得するには 3 つのアプローチがあり、それらは相互に排他的ではありません。

• データは、ユーザーが操作するときにデータを生成する初期の製品またはサービスを作成することによって収集され、その後、そのデータを使用して製品またはサービスを改善できます。これは、Facebook、Google、Spotify、その他多くの同様のサイトの場合です。
• データは、独自の小規模データセットを手動で収集することによって収集されました。このアプローチは、初期の機械学習モデルをトレーニングするために使用できます。このモデルは、少なくとも一部の初期購入者を満足させるのに十分なパフォーマンスを発揮する必要があります。今後のパートナーシップにより、データ収集の規模を拡大し、モデルの改善などが可能になります。 Hoxton Analytics は、このアプローチを採用している企業の一つです。
• 取引はデータ保有者（通常は大企業または公的機関）と行われます。たとえば、Sensyne Health はすでに英国のいくつかの NHS Trust と契約を結んでいます。

これら 3 つのオプションのうち、次の理由から 3 番目のオプションをお勧めします。

• 最初のオプションを選択した場合、あなたは AI スタートアップではありません。 AIがなくてもサービスを提供できるので、できることにAIは当然必要ありません。確かに、AI は製品やサービスを劇的に改善する可能性がありますが、大量のユーザーデータを収集できるほど優れている必要があります。
• 2 番目のオプションを選択した場合でも、AI スタートアップを立ち上げることは可能ですが、成功の可能性を最大限に高めるには、最初のデータセットが十分にニ​​ッチであるか、既存のソリューションと比較してアプローチが十分に革新的である必要があります。このアプローチに従うリスクは、大量のデータを収集するためのパートナーを開発する前に、特によく知られたユースケースに取り組んでいる場合、アイデアとデータセットが競合他社によって簡単にコピーされる可能性があることです。

そうなると、AI スタートアップを立ち上げるための 3 番目の重要な道筋は、大規模なデータ保有者と契約を結び、そのデータにアクセスすることです。これが、AI スタートアップの大半が B2B である理由です。

大規模な機関や企業は行動が遅いことが多く、取引には通常時間がかかります。また、他の企業にデータへのアクセスを許可することに倫理的またはビジネス上の懸念があるかどうかについても答えなければならない質問があります。しかし全体的には、企業は保有するデータの価値をより認識するようになっています。

もちろん、DeepMind（2014年にGoogleが5億ドルで買収）やMagicPony（2016年にTwitterが1億5000万ドルで買収）など、上記のいずれの選択肢にも従わず、独自のアルゴリズムの利点に頼ることで優れた成果を達成した人工知能スタートアップもいくつかあります。しかし、道のりは困難であり、独自のデータセットがなければ、競争上の優位性を維持することはさらに困難になります。

2. AIスタートアップの資金調達は非常に難しい

資金調達はビジネスを始める上で最も難しい部分の一つです。このプロセスには、実際には、優れたストーリーを伝えるスキル、販売、ビジネス感覚、法律など、多くのスキルが関係します。 AI スタートアップの資金調達は特に困難です。

[[340847]]

画像ソース: unsplash

アイデアとチームが十分に強力で、十分な牽引力があれば、資金を調達できると考えました。しかし、私たちは全く間違っていました。

事業を始める際には、可能な財務投資を検討することが重要です。資金提供者によって目標や制約は異なるため、最初からこれらを認識することが重要です。初期段階のスタートアップ企業への主要投資家は次の 2 社です。

• テクノロジーベンチャーキャピタル (VC) – 初期段階の企業への機関投資家。スタートアップの初期段階では、強力なチーム、大きな市場規模、良好な初期牽引力という 3 つの点に重点が置かれます。

巨大な市場規模が重要です。 VC は通常、極めてリスクの高い事業に多額の資金を投入するため、投資のほとんどが破産すると予想されます。したがって、投資で成功するには、10 倍以上の収益を得る必要があるだけでなく、5 年未満の期間内に収益を得ることも必要です。つまり、今日の VC 支援企業は、大規模な業界を破壊することに重点を置いた SaaS スタートアップであることが多いのです。

ベンチャーキャピタルを受け入れる場合、通常、創業チームは会社に対するコントロール力が低下します。ほとんどの VC は優先株 (会社が投資額よりも低い価格で売却された場合に株式を取り戻すことができる) と創設チームを解任する権利 (ただし、これはめったに実行されません) を要求します。

• エンジェル投資家 – エンジェル投資家にはさまざまな形や規模があります。ベンチャーキャピタリストと一緒に投資したいと考えている企業もあれば、より安定した資金提供を望んでいる企業もあります。エンジェル投資は通常、ビジネスに対するコントロールをさらに強化することを意味します。英国では、十分なコネがあったり、以前に起業して成功した経験がない限り、エンジェル投資で50万ポンド以上を調達するのは困難です。ほとんどのエンジェル投資家は10年ほどで撤退します。

上記の制限を考慮すると、AI スタートアップへの投資を見つけることは特に困難です。

まず、AI スタートアップは通常、SaaS スタートアップよりも立ち上げに時間がかかります。人工知能のアルゴリズムはデータに依存しており、大量のデータ保有者は通常大企業であり、大企業が保有するデータを何らかの方法で入手するのは時間がかかります。データにアクセスできる場合でも、ビジネス開発やソフトウェア プラットフォーム (SaaS スタートアップの場合など) だけでなく、AI アルゴリズムにも重点を置く必要があります。

より専門的なスキルが必要であり、起業に長い時間がかかることを考えると、AI スタートアップを立ち上げるには通常、より多くの資金が必要であり、その資金は「安定した資本」である必要があります。ほとんどの創業者にとって、これは長期的なエンジェル投資を排除します（非常に広いコネがない限り）— 必要な資本の額があまりにも大きいからです。

しかし、VC に売り込む場合、従来の SaaS 企業と競争することになります。すべてがうまくいけば、これらの SaaS 企業はより早く利益を上げることができるでしょう。 SaaS は、定期的な継続収益があり、ユーザーがサービスを定期的に使用していなくてもサブスクリプションをキャンセルするのを忘れがちなため、魅力的なビジネス モデルです。

SaaS ビジネス モデルは過去 10 年間にわたって VC にとって非常に成功しており、多くの VC がこの考え方に陥っていますが、この考え方は多くの AI スタートアップには当てはまりません。多くの人から「サブスクリプション収入が得られたらまた来てください」と言われました。

ほとんどの AI スタートアップは、少なくとも最初の数年間はサブスクリプション収益を生み出すことが難しく、まったく異なるビジネス モデルを採用する必要があることに気付くでしょう。より多くの資金を集めるには、あなたの提案はもっと説得力のあるものになる必要があります。

3. ユースケースによっては説明可能性が重要

独自のデータセットと優れた製品を持っていたとしても、必ずしも製品が成功するとは限りません。 AI スタートアップを立ち上げる場合は、AI と機械学習についてしっかりと理解することが重要です。しかし、一般の人はこれらのトピックに精通しておらず、自分の可能性に疑問を抱くかもしれません。

つまり、モデルが機能するという説得力のある証拠が必要なのです。ライブデモが機能する可能性があります。それでも説得力が足りない場合は、非常に正確な数字ではなく、具体的でよく選ばれた例を使用してみてください。これは直感に反するように聞こえるかもしれませんが、数学の知識があれば意味がわかります。

モデルの予測を説明できれば、モデルに対する人々の信頼が高まります。ユースケースによっては、各モデルの予測を明確に説明できることが、精度と同じくらい重要になることがよくあります。説明可能性は幅広いトピックですが、一般的には、説明はできる限り理解しやすいものでなければなりません。

経験則としては、個々の予測が重要であればあるほど、その説明可能性も重要になります。

[[340848]]

画像ソース: unsplash

AI は驚くほど実現可能な技術であり、今後数年間で私たちの生活に信じられないほどの影響を与えることは間違いありません。しかし、だからといって AI スタートアップの立ち上げが簡単だというわけではありません。まったくそうではありません。

AI スタートアップの立ち上げには多くの特有の課題があり、その多くの側面が過小評価されていることを理解するようになりました。 PharmForesight を設立して以来、私はヘンリー・フォードの有名な言葉「本当の失敗とは、そこから学ばなかったことである」を固く信じています。

私たちが過去に犯した過ちは、将来への教訓となります。皆さんもそこから学んでいただければ幸いです。