Merangkul pola pikir ML-first membantu startup mempercepat time-to-market dan membangun daya saing jangka panjang

Merangkul pola pikir ML-first membantu startup mempercepat time-to-market dan membangun daya saing jangka panjang

Kami sangat antusias untuk menghadirkan Remodel 2022 kembali secara langsung pada 19 Juli dan 20 – 28 Juli secara digital. Bergabunglah dengan AI dan pemimpin knowledge untuk pembicaraan yang berwawasan luas dan peluang jaringan yang menarik. Daftar hari ini!


Dari banyak wawasan menarik yang saya dapatkan dari bekerja dengan perusahaan rintisan yang sukses di seluruh dunia, satu yang paling menonjol: pembelajaran mesin (ML) dan kecerdasan buatan (AI) bukan lagi teknologi aspirasional. Saya tidak sendirian dalam pengertian itu. IDC memperkirakan bahwa pada tahun 2024 pengeluaran world untuk AI dan teknologi kognitif akan melebihi $110 miliar, dan Gartner memperkirakan bahwa pada akhir 2024, 75 persen perusahaan akan beralih dari uji coba ke operasionalisasi AI.

Lahir di awankebanyakan startup memiliki keuntungan untuk memulai “transformasi digital” perjalanan dengan hutang teknis yang lebih sedikit di awal kehidupan mereka. Mereka dapat langsung keluar dari gerbang yang memungkinkan budaya inovasi dan akselerasi dengan memanfaatkan ML yang diterapkan pada apa yang akan segera menjadi sejumlah besar knowledge untuk membuat perkiraan yang akurat, meningkatkan proses pengambilan keputusan mereka, dan memberikan nilai kepada pelanggan dengan cepat.

Faktanya, startup diposisikan secara unik untuk memanfaatkan kekuatan komputasi skalabel dan perpustakaan ML open-source untuk menciptakan bisnis yang belum pernah dilihat sebelumnya yang berfokus pada otomatisasi, efisiensi, daya prediktif, dan wawasan yang dapat ditindaklanjuti. Misalnya, AWS berkolaborasi dengan Hugging Face, penyedia open-source terkemuka mannequin pemrosesan bahasa alami (NLP) yang dikenal sebagai Transformers, untuk membuat Hugging Face AWS Deep Studying Containers (DLC), yang memberikan para ilmuwan knowledge dan pengembang ML dengan pengelolaan yang sepenuhnya pengalaman untuk membangun, melatih, dan menerapkan mannequin NLP tercanggih di Amazon SageMaker. Ilmuwan dan pengembang knowledge secara world kini dapat memanfaatkan mannequin ML sumber terbuka ini untuk menerapkan dan menyempurnakan mannequin yang telah dilatih sebelumnya, sehingga mengurangi waktu yang diperlukan untuk menyiapkan dan menggunakan mannequin NLP ini dari minggu ke menit.

Pergeseran menuju efisiensi yang didorong oleh ML ini mengubah cara berpikir pendiri dan pembuat konten tentang memasarkan produk dan layanan mereka. Dorongan untuk mempercepat laju inovasi melalui ML didorong oleh akses ke kerangka kerja pembelajaran mendalam sumber terbuka, ketersediaan knowledge yang terus meningkat, aksesibilitas ke temuan penelitian mutakhir, dan efektivitas biaya penggunaan cloud untuk mengelola, menerapkan, dan mendistribusikan beban kerja.

Saran saya kepada para pendiri dan pembuat adalah bahwa sekaranglah waktunya untuk membangun bisnis “ML-first”, mengintegrasikan ML sejak hari pertama, baik mereka membangun mannequin ML mereka sendiri atau memanfaatkan solusi AI yang menggunakan mannequin yang telah dilatih sebelumnya. Startup yang mengutamakan ML akan berada dalam posisi terbaik untuk mengambil apa yang kami sebut “pendekatan Hari Pertama” – terobsesi dengan pelanggan, fokus pada hasil daripada proses, dan cukup gesit untuk merangkul tren eksternal dengan cepat. Melakukannya dengan benar untuk pertama kali tidak terlalu penting, karena eksperimen dan pengambilan risiko adalah akar dari semua pertumbuhan produk. Dengan mengingat hal itu, berikut adalah empat cara bagi startup untuk membangun dan mengembangkan bisnis strategis yang mengutamakan ML:

Pilih untuk menjadi yang pertama ML

Salah satu prinsip kepemimpinan yang terbukti untuk masuk ke pasar dengan cepat yang harus dianut oleh startup adalah:

Bias untuk tindakan. Kecepatan penting dalam bisnis dan banyak keputusan serta tindakan yang dapat dibalik dan tidak memerlukan studi ekstensif.

Bias untuk bertindak dan budaya Hari Pertama dari eksperimen cepat, pembuatan prototipe cepat, dan kegagalan cepat untuk belajar dan mengulangi akan membantu meningkatkan strategi masuk ke pasar untuk startup cloud-native dengan:

  • Mengaktifkan umpan balik yang sangat ketat dan dapat ditindaklanjuti — dengan pelanggan, penyedia cloud, dan pemangku kepentingan utama,
  • Mengotomatiskan operasi ML untuk meningkatkan efisiensi,
  • Mengidentifikasi dan memanfaatkan IP inti untuk meluncurkan mannequin, produk, dan fitur dengan cepat.

Karena kecepatan dalam bisnis itu penting, menggunakan ML untuk berinovasi dan meningkatkan kelincahan juga penting. Ini termasuk memiliki alat ML yang tepat untuk mengotomatisasikan proses menjalankan tugas pelatihan paralel dan terdistribusi atau untuk mengelola beberapa eksperimen mannequin ML. Otomatisasi yang digerakkan oleh ML menghilangkan biaya dan waktu karena harus secara handbook menyaring repositori besar knowledge, log, dan jejak untuk mengidentifikasi dan memperbaiki kesalahan yang pada akhirnya dapat memperlambat kecepatan rekayasa. Selain itu, ML dapat membuat prediksi dan memungkinkan perencanaan seputar prediksi tersebut, sehingga organisasi tidak hanya mengetahui tindakan yang harus mereka ambil, tetapi juga dapat menindaklanjutinya dengan lebih cepat.

Faktor kunci lain yang menentukan keberhasilan bisnis untuk startup adalah pencocokan pola dalam jumlah besar knowledge – ML dapat mempercepat proses menemukan pola dalam jumlah besar knowledge dengan cepat di mana diperlukan beberapa tahun manusia untuk menganalisis semua knowledge yang dihasilkan dan disimpan. Sebagai contoh, Terapi BlackThorn (sekarang bagian dari Terapi Neumora), sebuah perusahaan kesehatan neurobehavioral tahap klinis, telah membangun platform yang dapat dengan cepat beralih dan mendapatkan perawatan baru ke pasar dengan mengumpulkan dan menganalisis knowledge psikiatri multi-model secara cepat dalam skala besar. Dalam penemuan awal dan penelitian pra-klinis, para ilmuwan membutuhkan akses ke daya komputasi yang luas untuk melakukan tugas-tugas seperti simulasi komputasi atau analisis skala besar. BlackThorn menerapkan wawasan berbasis datanya untuk mengarahkan kandidat obatnya ke populasi pasien yang ditentukan secara neurobiologis yang kemungkinan besar akan merespons terapi. Untuk mewujudkannya, BlackThorn memanfaatkan ML berbasis cloud yang ditingkatkan skalanya selama periode permintaan puncak dan turun lagi saat permintaan menurun, sehingga analisis dan eksperimen dapat berjalan secara paralel alih-alih uji coba satu kali.

Berencana untuk mengembangkan mannequin ML Anda

Untuk memanfaatkan manfaat menjadi yang mengutamakan ML, organisasi tidak dapat berhenti hanya memiliki mannequin dan alat ML yang tepat. Lagi pula, ML bukanlah peristiwa satu-dan-selesai – tetapi proses berulang. Setelah mannequin ML prototipe dibuat, mannequin tersebut harus mudah diakses oleh pengembang dan ilmuwan knowledge agar dapat bekerja secara efektif. Ini termasuk pemrosesan knowledge, melatih mannequin dengan knowledge yang benar, dan menerapkan mannequin dengan cara yang skalabel. Salah satu kesalahan terbesar yang dilakukan startup adalah menerapkan mannequin ML tanpa rencana untuk memantau dan memperbaruinya. Memiliki strategi knowledge di mana perusahaan rintisan terus mengumpulkan knowledge baru untuk memberi makan mannequin ML, melatih kembali kumpulan knowledge, dan selalu bertanya, “Apakah ini mannequin terbaik untuk pekerjaan itu, dan apakah pelanggan saya menuai nilainya?” adalah keharusan. Memantau prediksi mannequin secara terus-menerus sama pentingnya agar mannequin tidak mengalami “pergeseran konsep” dan menjadi bias terhadap hasil tertentu saat dunia nyata berubah dan menghasilkan knowledge baru.

Semuanya bermuara pada kelincahan, dan untuk mengembangkan mannequin ML secara dinamis, pengembang harus dapat menghilangkan inefisiensi dan memanfaatkan otomatisasi untuk menerapkan komponen terbaik yang tersedia. Mereka juga harus bersandar pada modularitas untuk memiliki fleksibilitas yang lebih besar, dan menggunakan orkestrasi untuk mengotomatisasi dan mengelola alur kerja. Ini akan membebaskan waktu pengembang untuk mengerjakan masalah bisnis utama dan menghemat biaya untuk mencari talenta khusus untuk membangun dan memelihara saluran ML yang kompleks sehingga mereka berfungsi secara optimum dari waktu ke waktu.

Misalnya, makanan, layanan pengiriman makanan Amerika Latin terkemuka memproses 39 juta pesanan bulanan dari 220.000 restoran yang terdaftar di lebih dari 1.000 kota. Tantangan dengan layanan pengiriman makanan adalah bahwa pengoptimalan rute dan merchandise makanan/menu baru bersifat dinamis dan berubah, sehingga mannequin juga harus diperbarui.

Untuk mengatasi masalah ini, perusahaan menggunakan layanan ML untuk membuat alur kerja ML otomatis yang berskala untuk meningkatkan logistik dan operasi serta mengotomatiskan pengambilan keputusan, dengan permintaan yang terus bertambah dan terus berubah. ML telah memungkinkan iFood menerapkan optimalisasi rute untuk personel pengiriman makanan yang mengurangi jarak rute pengiriman yang ditempuh sebesar 12 persen dan mengurangi waktu menganggur bagi operator hingga 50 persen. Dengan bantuan otomatisasi ML, bisnis mereka telah meningkatkan kinerja SLA pengiriman dari 80 persen menjadi 95 persen.

Identifikasi IP inti Anda dan manfaatkan kekuatan sumber terbuka

Masalah umum lainnya yang dihadapi startup adalah pergi ke pasar tanpa mengidentifikasi dan membedakan masalah inti mereka dan IP dalam solusi mereka yang memecahkan masalah itu. Dengan itu muncul titik buta ke bagian non-IP dari tumpukan mereka dan teknologi cloud yang dapat mereka manfaatkan. Inilah sebabnya mengapa startup tidak membangun pusat knowledge, database, dan perangkat lunak analitik mereka sendiri. Tidak masuk akal bagi mereka untuk membangun semuanya dari awal karena platform yang terlalu eksklusif dapat dengan cepat lumpuh saat mencoba mengintegrasikan dan menskalakan. Untuk mempertahankan keunggulan kompetitif yang tahan lama, perusahaan rintisan harus memanfaatkan proposisi nilai unik mereka dan harus mengidentifikasi “parit” mereka – IP yang dibedakan dan unik di pusat produk dan sulit untuk ditiru. Itulah mengapa salah satu pertanyaan terbesar yang saya ajukan kepada startup saya adalah, “di mana Anda akan membangun untuk membedakan dan di mana Anda akan membeli untuk bergerak cepat?”

Tren sukses lainnya yang kami amati adalah perusahaan rintisan yang mengambil pendekatan sumber terbuka dan secara aktif menyumbangkan bagian dari foundation kode mereka ke komunitas sumber terbuka dengan tujuan untuk memecahkan masalah industri yang lebih luas. Cara startup yang sukses melakukannya adalah mereka selalu memiliki sesuatu yang eksklusif untuk ditawarkan bersama dengan kode sumber terbuka itu; biasanya, dalam bentuk versi lanjutan dari produk atau kemampuan eksekusi yang sulit untuk ditiru.

Misalnya, berbasis di Seattle OctoML membangunnya pembelajaran yang mendalam platform akselerasi mannequin pada kerangka kerja sumber terbuka Apache TVM, tumpukan ML yang dibuat oleh pendiri perusahaan untuk memungkinkan akses ke ML berkinerja tinggi di mana saja, untuk semua orang. Perusahaan, bersama dengan komunitas ML open-source yang dinamis, memecahkan masalah besar industri: kurangnya aksesibilitas luas ke teknologi yang dapat menerapkan mannequin ML di semua titik akhir perangkat keras dan penyedia cloud. Hari ini, OctoML menyediakan lapisan otomatisasi berbasis ML yang fleksibel untuk akselerasi yang berjalan di atas berbagai perangkat keras yang menjalankan mannequin pembelajaran mesin di edge dan di cloud, termasuk GPU, CPU, dan instans yang dioptimalkan ML. Hal ini memungkinkan pengembang ML untuk mendapatkan mannequin terlatih yang diterapkan ke produksi di berbagai titik akhir perangkat keras lebih cepat tanpa harus mengorbankan kinerja. Selanjutnya, mengembangkan lebih banyak alat ML open-source akan mendorong lebih banyak R&D dan keragaman opsi ML yang jauh lebih besar.

Prioritaskan tujuan bisnis, berkolaborasi dengan hubungan bisnis strategis, dan jadilah ML-first

Startup harus merangkul kebijaksanaan “tidak ada algoritma kompresi untuk pengalaman.” Mereka harus tetap fokus pada tujuan bisnis mereka dan bersandar pada hubungan bisnis strategis (dari penasihat startup, pemodal ventura, hingga pelanggan) untuk membantu mengisi kesenjangan kapasitas dan kapabilitas serta memberikan panduan dan akses pasar.

Ada efek pengganda. Hubungan bisnis yang strategis tidak hanya dapat memberikan akses ke R&D awal, beta pribadi, dan wawasan tentang pendorong adopsi perusahaan berdasarkan pengalaman bertahun-tahun, tetapi juga dukungan go-to-market yang kuat melalui kemitraan dan pemasaran bersama. Koneksi ini membantu perusahaan rintisan mempelajari lebih lanjut tentang masalah paling mendesak yang ingin dipecahkan oleh perusahaan, dan tren yang mereka lihat di seluruh industri mereka.

Penting juga untuk mengetahui teknologi apa yang akan datang selanjutnya. Hubungan ini memungkinkan perusahaan rintisan untuk gesit, bergerak cepat, skala sesuai kebutuhan, dan pada saat yang sama, berpikir jangka panjang tentang peta jalan dan pengalaman pelanggan mereka.

Membangun startup tidak hanya sulit – ini adalah kursus kilat dalam kerendahan hati. Berhasil dalam jangka panjang bahkan lebih sulit. Startup pada dasarnya gesit, dan tumpukan teknologi mereka harus mencerminkan kelincahan itu. Dengan menanamkan penerapan dan eksperimen yang cepat ke dalam seluruh proses pengembangan mereka, mereka dapat memposisikan diri mereka dengan lebih baik untuk memasuki pasar dan meningkatkan skala secara kompetitif, dengan solusi yang tepat dan strategi yang tepat.

Itu tergantung pada fokus, kelincahan, dan kecepatan: menjadi yang pertama ML, mengidentifikasi IP inti, dan membangun hubungan bisnis strategis akan membantu mempercepat pertumbuhan dan membangun daya tahan di pasar.

Dan apa pun yang Anda buat selanjutnya, beri tahu saya.

Allie Miller adalah International Head of ML Enterprise Growth, Startups and Enterprise Capital at AWS

DataDecisionMakers

Selamat datang di komunitas VentureBeat!

DataDecisionMakers adalah tempat para ahli, termasuk orang teknis yang melakukan pekerjaan knowledge, dapat berbagi wawasan dan inovasi terkait knowledge.

Jika Anda ingin membaca tentang ide-ide mutakhir dan informasi terkini, praktik terbaik, dan masa depan knowledge dan teknologi knowledge, bergabunglah dengan kami di DataDecisionMakers.

Anda bahkan mungkin mempertimbangkan menyumbangkan artikel milikmu sendiri!

Baca Lebih Lanjut Dari DataDecisionMakers

Total
0
Shares
Leave a Reply

Your email address will not be published.

Related Posts