Почему искусственному интеллекту нелегко живется в России

Еще пять лет назад домены в области .ai были свободны, но сейчас их невозможно купить. Если раньше серьезное приложение выглядело как большая приборная панель, сейчас идеалом представляется продукт с одной кнопкой, которая делает «чудо». А под чудом скрывается искусственный интеллект, осуществляющий все сложные процессы. Даже сам ввод команд теперь можно выполнить голосом, жестами, — в каком-то смысле через анализ поведения людей.

ИИ, машинное обучение и жизнь

Что делают проекты в сфере ИИ и как это отличается от распространенных систем автоматизации? Системы на основе машинного обучения уже давно оптимизируют простые и предсказуемые действия. Взять, например, заполнение анкеты на покупку авиабилета и последующую обработку этой заявки на серверах компании. Такие базовые процессы (сухим научным языком — процессы с низкой энтропией) уже давно автоматизированы алгоритмически. Этого нельзя сказать о задачах, имеющих нестандартные входные или выходные данные — «данные с высокой энтропией». Системы нового поколения как раз и призваны с ними справляться. Например, нужно обработать запрос: «Я устал, хочу на море». Исходя из личности пользователя, интеллектуальный ассистент подберёт билеты, место отдыха с оптимальным климатом, организует трансфер из аэропорта и сможет сразу все оплатить.

Сама технология при этом обычно решает задачи следующих типов:

1. Распознавание (голоса, лица, дефектов, — т.н. Anomaly Detection)
2. Поиск (Matching). Типичный пример — поисковик (найти 1 вариант из ста тысяч) или более экзотические рекомендательные системы
3. Предсказание. Кто победит на выборах, какая будет погода, какая будет выручка у торговой точки?

Стартапы в ИИ

Успешные проекты в области ИИ, что неудивительно, чаще всего являются комбинацией науки, бизнеса и маркетинга. Типичная история успеха компании часто базируется на том, что их решение гораздо лучше других автоматизирует процесс или обрабатывает данные, до которых раньше никому не было дела. Например, данные датчиков на заводе позволили предсказывать отказы оборудования, или анализ постов в Twitter позволил выявлять ценные торговые сигналы в торговле акциями.

В то же время у проектов в области ИИ есть определённая специфика, выводящая их из стандартов венчурной индустрии. По нашему опыту, проект ИИ — это чаще всего b2b с длинным циклом продаж. У этих проектов, особенно в России, есть специфические проблемы — отсутствие финансовых запасов для функционирования в течение сделки и отсутствие связей при выходе на международный рынок. Это дополнительно осложняет создание подобного проекта.

Фокус на b 2b

Существует огромное число компаний, сотрудники которых используют рабочее время на проработку типичных задач. Деньги для ИИ-проекта тут лежат в области оптимизации и снижения издержек. При этом экономический эффект роботизации 20 рабочих мест отличается от роботизации 2000. Поэтому именно крупные компании могут себе позволить внедрение систем ИИ c super human abilities («сверхчеловеческими способностями»). Наконец, «нефть» этой индустрии — те самые «Большие Данные» — скапливается именно у крупных компаний. Вот почему направление b2b становится основным для большей части проектов, предлагающих решения в области ИИ.

Продажи в большие компании — непростая задача для ИИ-стартапа. Первая проблема — цикл продаж. Продать в крупную компанию тяжело: это процесс длиной в 6 — 18 месяцев. А стартапы без продаж, тем более в России, так долго не живут.

Другая проблема — масштабирование. В enterprise-продажах нельзя просто купить больше трафика, как в b2c, да простят нас маркетологи. Масштабирование продаж требует отдельных усилий и времени. В этой сфере существуют строгие и время-затратные системы отбора поставщиков. Стоит отметить, что в последнее время кое-что меняется в лучшую строну за счет появляющихся департаментов по инновациям. В технологических решениях b2b есть специфические способы масштабирования, когда продукт становится стандартом индустрии не за счет денег в маркетинге, а благодаря наилучшему решению отдельной задачи. В этом случае он автоматически продается как компонент более крупных систем.

Проблемы российского рынка

Проекты в России сталкиваются с дополнительными трудностями. В России бюджеты на инновации в среднем сильно отстают от США и Европы. Из-за этого часто все взаимодействие корпораций со стартапами заканчивается после проведения хакатона — на внедрение просто не хватает денег. Распространены случаи, когда корпорации видят, что решение стартапа работает, но покупают его полномасштабное внедрение у интегратора или за рубежом. Бывает также, что идею решения крадут и внедряют своими силами.

Конечно, нужно стремиться быть лучшими, чтобы проще было вас купить, чем скопировать. Но на маленьком рынке последнее не дает гарантий.
Присутствует и сезонная специфика, связанная с одинаковым во всех организациях бюджетным годом. В конце каждого отчетного периода руководители отделов по инновациям массово стремятся сделать что-то как можно быстрее, а весной и летом действуют осмотрительно и неспешно.

Мировой рынок может быть решением, но и тут есть определенные проблемы. По нашему опыту, в этой сфере бюджет начинается от $2 млн, а выход занимает порядка двух лет. При этом продавать нужно самим: быстрый найм хорошего продавца в данной области – событие редкое.

Старые решения

Решением проблем должны были бы стать венчурные фонды. По аналогии с интернетом, ИИ теперь обязательная технология – большой интересный рынок, в котором много задач, требующих решений. Но для фондов стартап, собирающийся продавать крупным компаниям, все еще очень неудобен.

Фонд зарабатывает при продаже купленной доли следующим инвесторам или во время IPO. Доля может стать дороже только при росте компании и повышении ее привлекательности, что подразумевает масштабирование и выход на новые рынки. Если грубо описать подход венчурной индустрии за последние 15 лет, то он выглядит так: быстрое создание прототипа, который нравится потребителями, и последующий вывод в плюс тех каналов, где можно быстро наращивать количество клиентов. Основываясь на таком представлении, венчурные инвесторы оценивают проекты и выделяют им финансирование. Этот подход хорош для b2c. Однако у ИИ-решений больше точек приложения в сегменте b2b. При этом бизнес не будет показывать быстрый рост в базовых метриках (количество лидов, продаж и т. п.). Фондам сложнее отслеживать рост проекта, что, в свою очередь, затрудняет процесс привлечения денег. Аналитикам (и кстати, самим основателям проекта) непонятно, на что смотреть и на основании чего делать выводы.

В сфере b2b масштабирование проекта — это прежде всего качественное технологическое превосходство над конкурентами и встраивание в предпринимательские решения вендоров. Качественное технологическое превосходство подразумевает расходы на разработку. В этой области каждые следующие 5% точности решения даются на порядки сложнее и дороже предыдущих. Недофинансирование в этот момент губительно: проект будет сжигать деньги на зарплаты, но окажется не в состоянии достаточно развивать продукт. Если посчитать итог, то речь идёт о суммах порядка $1-3 млн на посевной стадии. Вкладывать такие суммы, ещё и без полноценных продаж, в России на практике некому.

Новые возможности

Можно предположить, что для проектов в области ИИ оптимальной становится гибридная сервисно-продуктовая модель развития. Решение продается и доопределяется в виде платных заказных разработок, в ходе которых растут компетенции команды и повышается точность. В тот момент, когда у команды уже есть выполненные заказы и наработанная технология, получить раунд финансирования для развития становится гораздо легче.

Другую возможность дает сотрудничество с государственными научными центрами, позволяющее в конечном итоге снизить расходы при повышении точности решения. Так, по подобной модели уже работает сооснователь Coursera Andrew Ng. AI Fund, созданный по раннему прототипу американской стартап-платформы Betaworks, который собрал более 175$. Также подобные подходы сейчас разрабатывает компания Data Monsters совместно с Физтех Акселератором.