Cómo evitar la mercantilización de la IA: 3 tácticas para programas piloto exitosos
con el aumento modelos de IA de código abierto, la mercantilización de esta tecnología revolucionaria está sobre nosotros. Es fácil caer en la trampa de apuntar un modelo recién lanzado a un grupo demográfico tecnológico deseable y esperar que se ponga de moda.
Crear un foso cuando hay tantos modelos disponibles crea un dilema para las nuevas empresas de IA en etapa inicial, pero aprovechar las relaciones profundas con los clientes en su campo es una táctica simple pero efectiva.
La brecha real es una combinación de modelos de IA entrenados en datos propietarios, junto con 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 el listón más alto de las verificaciones de cumplimiento. Por lo general, los clientes prefieren empresas con un historial en lugar de nuevas empresas, lo que fomenta una industria de conjuntos de datos fragmentados donde ningún jugador tiene acceso a todos los datos. Hoy tenemos una realidad multimodal en la que jugadores de todos los tamaños tienen conjuntos de datos detrás de servidores cerrados 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 ejecutar una prueba piloto con su software para resolver problemas específicos del cliente. Estas relaciones pueden surgir a través de cofundadores, inversores, asesores o incluso redes profesionales anteriores.
La brecha real es una combinación de modelos de IA entrenados en datos propietarios, junto con 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 en una universidad conocida por sus expertos en inteligencia artificial, una fuerte demostración en la que el prototipo permite a los clientes potenciales visualizar los resultados o un caso comercial claro de cómo su solución funcionará. ayudarlos a ahorrar o ganar dinero.
Un error común que cometen los fundadores en esta etapa es suponer que la creación de modelos de datos de clientes es suficiente para el ajuste y la diferenciación del mercado de productos. En realidad, encontrar el PMF es mucho más complejo: solo arrojar IA a un problema crea problemas con la precisión y la aceptación del cliente.
Romper el listón alto de los expertos en aumento experimentados en industrias altamente reguladas que tienen un conocimiento profundo 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 qué conversaciones de expertos de la industria o noticias recientes podrían hacer que un widget que alguna vez se consideró «riesgoso» sea 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 nuevas empresas confíen en el modelo de lanzamiento e iteración, incluso con pilotos.
Hay tres tácticas clave en la gestión de conductores: