Enterprise AI is een reeks producten en diensten die worden aangeboden aan: onderneming bedrijven, gebaseerd op het bouwen van aangepaste machine learning-modellen, die verschillende taken kunnen overnemen en op grote schaal kunnen worden geïntegreerd in de workflow van een groot bedrijf.
De Cambrische explosie van AI-bedrijven
Sinds 2019 verkoop ik AI-diensten bij een onderneming niveau.
Het echte keerpunt kwam begin 2019, toen GPT-2 werd uitgebracht. Ik herinner me nog dat de oprichter van een tech-start-up die ik hielp bij het ontwikkelen van de bedrijf kant, demonstreerde me de model.
In de vorige demo's was ik teleurgesteld geweest, en eigenlijk vond ik het allemaal lachwekkend, maar die keer niet, ik was onder de indruk!
De tekst die door de machine werd gegenereerd, was niet alleen logisch, maar ook buitengewoon goed.
GPT-2 en later GPT-3 zijn taalmodellen, ontwikkeld door OpenAI.
Ze hebben geleid tot een geheel nieuwe AI-industrie, gebaseerd op het op grote schaal genereren van inhoud.
Ik dacht in gedachten hoe dat de hele uitgeverswereld zou veranderen.
Het is echter ook belangrijk om te wijzen op de verschillende nadelen die deze taalmodellen hebben.
Een paar dagen geleden vroeg ik bijvoorbeeld GPT-3 om me iets te vertellen over 'bedrijfsvalidatie' en dat leverde het op:
Bedrijfsvalidatie is het proces om te verifiëren dat een bedrijf idee goed is en dat er een markt is voor de artikel of dienst. validatie kan worden gedaan door middel van marktonderzoek, enquêtes, interviews en focusgroepen.
Goed, is het niet?
Het heeft veel zin.
Het is echter fout!
Ik wijd mijn hele professionele leven al aan bedrijf validatie, en ik ontwikkelde mijn eigen manier om ernaar te kijken.
Als zodanig is deze generieke, middelmatige definitie, die GPT-3 gaf, logisch. Maar het is waardeloos, en eigenlijk heel slecht.
Mijn argument is inderdaad dat het laatste wat je wilt doen, een bedrijf is om marktonderzoek, enquêtes, interviews en focusgroepen te gebruiken.
In plaats daarvan wil je andere benaderingen gebruiken.
Kortom, dit wil geen debat tegen de machine zijn, maar eerder een manier om te begrijpen waar de machine nuttig is en waar niet.
Als het bijvoorbeeld gaat om het definiëren van "bedrijfsvalidatie", is de machine niet alleen een middelmatige adviseur, maar de definitie ervan is ook misleidend.
Betekent dit dat het waardeloos is?
Als bedrijf persoon, ik denk dat de waarde van wat ik doe staat in de persoonlijke ervaring die in de loop der jaren is ontwikkeld, de consistentie in de verstrekte boodschap en het feit dat je hier dingen vindt die je nergens anders kunt vinden.
Dus het geheel waarde die je van mij zou kunnen krijgen, wordt bepaald door mijn persoonlijke stijl, een combinatie van expertise, ervaring, begrip en veel fouten die ik heb gemaakt, die ik wil dat je ofwel vermijdt, of die je gebruikt om je reis te versnellen.
Zo wordt vertrouwen opgebouwd.
Dit betekent dat als ik dit spul zou gebruiken, ik mijn... bedrijf en geloofwaardigheid, vrij snel!
Maar als de machine niet goed kan zijn in het hebben van een eigen stijl, wat kan hij dan effectief doen?
Waar is de AI logisch vanuit zakelijk oogpunt?
Op basis van mijn ervaring in de afgelopen drie jaar, raffinage onderneming diensten, in de AI verkoop space, dit zijn de applicaties die ik als succesvolle heb gezien:
Mensen in de lus
Een cruciaal element is dat, voor nu, de mens op de hoogte moet zijn. Welke toepassing dan ook, voor de onderneming, u kiest, het is van cruciaal belang om een team van ervaren mensen te hebben die kunnen begrijpen hoe deze modellen op grote schaal moeten worden gehanteerd.
Bij het bouwen van AI-modellen kunnen die aangepaste modellen (gebouwd voor specifieke taken van het bedrijf) in de loop van de tijd steeds relevanter worden.
Het is echter ook van cruciaal belang om de mens op de hoogte te houden, zowel op input- als outputniveau.
Aan de invoerkant is het van cruciaal belang dat mensen tijd besteden aan het verrijken van de gegevens die beschikbaar zijn voor de model en het verbeteren (stel je voor dat je een taal wilt maken) model die uw producten beschrijft, hoe meer informatie u geeft over deze producten, details en kenmerken van de producten, hoe beter de model).
Aan de uitvoerzijde, zoals de model genereert dingen die afgaan, die moeten worden gecorrigeerd en gecontroleerd, wat aansluit op het volgende punt.
Model auditing – ik beweer – zal groter zijn dan het modelleren zelf!
Naar mijn mening, als die machine learning-modellen in populariteit groeien en de volgende biljoen dollar industrie stimuleren, zal er een kernprobleem met hen zijn.
Omdat die modellen meestal gebruikmaken van deep learning, betekent dit dat je de input en output kent, maar in het midden is het een zwarte doos. Kortom, er is geen eenvoudige manier om de model, om te weten hoe het van invoer naar uitvoer is gekomen.
In dat scenario is het uiterst waardevol om slimme manieren te bedenken om modellen voor machine learning te auditen.
Inderdaad, als je mij vraagt waar ik een AI-bedrijf zou beginnen, zou ik je meteen vertellen dat ik zou beginnen met het bouwen van een toolbox om machine learning-modellen te controleren.
Waarom? Omdat elk bedrijf dat AI-services gebruikt, deze modellen moet kunnen controleren, en er is nu geen juiste manier om dit te doen. Het is nog steeds een Wild West!
Commoditizable content is het uitgangspunt
Als u deze machine learning-modellen wilt gaan gebruiken, kunt u beginnen met te kijken naar het deel van de: bedrijf die het potentieel heeft om gecommoditiseerd te worden.
Als u bijvoorbeeld een e-commerce winkel heeft, met duizenden of miljoenen artikel beschrijvingen.
Taalmodellen kunnen behoorlijk effectief zijn om ze op schaal te genereren.
In feite is het voordeel hier dat de taal model kan de productbeschrijving dynamisch wijzigen, ook op basis van seizoensgebonden zoekopdrachten van gebruikers. Dit is een applicatie waarvan ik heb gezien dat deze zeer effectief is gebruikt.
Een ding is echter om de machine de mogelijkheid te geven om een byte tekst op een productpagina te wijzigen, een andere is om de machine de hele pagina te laten herschrijven.
Kortom, u wilt beginnen met een klein gedeelte, dat vanaf daar kan worden gecontroleerd, gemakkelijk gemeten, herhaald, gecorrigeerd en geschaald.
Modellen opschalen
Een van de moeilijkste onderdelen van het gebruik van machine learning-modellen op een onderneming niveau zal zijn om die modellen betrouwbaar te schalen.
Als u de machine bijvoorbeeld tekst laat genereren voor 100 productpagina's, is dat totaal anders, van duizend of tienduizend.
Op elk schaalniveau neemt de complexiteit waarmee de machine omgaat exponentieel toe, en de kans dat een paar productbeschrijvingen ver weg raken, wordt een mogelijkheid.
Campagne-optimalisaties
Een andere interessante toepassing van deep learning-modellen is op het gebied van betaalde campagne-optimalisaties, waar de machine op twee manieren kan werken.
Ten eerste neemt de machine ongestructureerde gegevens en maakt er gestructureerde gegevens van. Stel je voor dat je miljoenen uitgeeft aan Facebook-advertentiecampagnes.
Die worden meestal afgehandeld door een prestatiemanager.
Want hoe georganiseerd die persoon misschien is bij het afhandelen van deze campagnes wanneer het budget erg groot wordt, het kan ook erg ingewikkeld worden om goed presterende campagnes te begrijpen.
Dat komt omdat die campagnes mogelijk de juiste etikettering missen. Kortom, de triviale, maar tijdrovende taak om deze campagnes te labelen (zoals het organiseren in clusters die logisch zijn) wordt erg moeilijk.
Ten tweede kan het afhandelen van een groot aantal campagnes ook het experimenteerproces vertragen.
Succesvolle campagnes moeten in de loop van de tijd inderdaad voortdurend worden aangepast, gewijzigd en opnieuw getest om de ROI van deze campagnes stabiel te houden.
Deep learning, met neurale netwerken, kan daar heel goed in zijn! Labelen, aanpassen, testen en herhalen van deze campagnes op schaal.
Hoe beoordeel je AI-diensten?
Tot nu toe heb ik gewerkt en deze primaire gezien prijsstelling modellen:
Abonnement/houder
Hier bouwt het AI-bedrijf een custom model, via een pilot (gratis of tegen een vast bedrag).
Wanneer de model klaar is, doorloopt het een overgangsfase, die begint te lopen als een abonnement/retainer (gebaseerd op het volume dat wordt verwerkt door de model).
Vanaf daar, eenmaal klaar voor schaal, draagt de prijs een basis abonnement, die boven een bepaald volume zullen stijgen.
De abonnement moet een drempel hebben, waarna het volume de model aankan, kan onbeperkt zijn (dit gebeurt in een zeer geavanceerde fase, die op basis van de service minstens 18-24 maanden kan duren om te ontwikkelen).
Pay-as-you-go
Deze omvatten diensten van AI-bedrijven, die standaardbibliotheken van machine learning-modellen kunnen bieden, en het bedrijf dat er een kiest, betaalt op basis van het verbruik.
Hybride prijzen
Deze omvatten AI-modellen die standaard zijn, maar tot op zekere hoogte kunnen worden aangepast.
In dat geval is een abonnement model, gecombineerd met een pay-as-you-go model zou kunnen doen.
Een deel van de besparing
In het geval van een bedrijf dat AI-modellen gebruikt om de campagneprestaties te verbeteren, kan het bedrijf de klant kennis laten maken met deze modellen, met een gratis of flatfee-pilot, en zodra dit succesvol blijkt, slechts een % van de besparingen in rekening brengen.
Deze model zou effectiever kunnen zijn om de wrijving en acquisitiekosten van de onderneming klant.
Hello!
met ♥ ️ gennaro, FourWeekMBA
Verbonden zakelijke kaders
Sjabloon voor technisch bedrijfsmodel
