Di Kamp Permulaan MO1N Di Bremen, para pendiri tidak hanya bertemu dengan 2.000 pendiri lainnya, 100 VC, 50 pembicara, dan kompetisi pitch, namun juga keahlian yang sangat terkonsentrasi di bidang AI! Solusi teknologi cerdas terutama bermanfaat bagi pengembangan produk.

Para pemula mengetahui masalahnya: sumber daya sangat terbatas pada awalnya. Anggarannya kecil, timnya tidak berpengalaman dan waktu tidak pernah cukup. Kontribusi apa yang dapat diberikan oleh teknologi baru dalam hal ini? Misalnya saja ada kecerdasan buatan. Saat ini, AI sering diterapkan untuk mengurangi biaya. Namun: Solusi di bidang ini dapat memberikan manfaat yang jauh lebih besar, terutama bagi pemula. Misalnya saja, ada baiknya menggunakan AI untuk meningkatkan pengembangan produk.

Empat langkah berikutnya menunjukkan cara kerjanya!

1. Tim yang tepat: Tidak semua data scientist sama

Untuk menciptakan model AI guna mendukung pengembangan produk, perusahaan perlu melibatkan spesialis data. Tim ilmu data di perusahaan besar terdiri dari banyak sekali kolega. Di startup, biasanya ada satu hingga empat karyawan. Para pendiri harus sangat berhati-hati saat memilih data scientist, karena istilah tersebut sering kali mencakup empat jenis:

• Insinyur Pembelajaran Mesin
• Insinyur Basis Data
• Analis data
• Peneliti

Insinyur pembelajaran mesin memainkan salah satu peran terpenting di sini, karena ia pada akhirnya mengembangkan model AI. Hal ini diikuti oleh teknisi database, yang bertanggung jawab mengelola jalur data. Namun posisi ini tidak mutlak diperlukan karena sering digantikan dengan outsourcing. Idealnya, peran ini tumpang tindih dengan pengembang backend, yang menangani seluruh aliran data dari asal hingga tujuan. Analis data harus dipekerjakan jika Anda ingin membuat dasbor – jika tidak, Anda dapat menghemat biaya analis data untuk sementara waktu. Seorang peneliti tidak diperlukan untuk saat ini (biasanya mereka mengembangkan algoritma lebih lanjut), namun yang dibutuhkan adalah orang-orang yang dapat menerapkan algoritma yang ada pada bidang spesialis yang relevan. Ini lagi-lagi para insinyur pembelajaran mesin.

Startup juga bergantung pada pemilik produk. Lagi pula, tidak ada produk yang dihasilkan yang tidak bernilai bagi pelanggan. Pemilik produk memastikan bahwa produknya memiliki nilai maksimal bagi konsumen akhir. Bersama dengan data scientist dan database engineer, pemilik produk mengembangkan berbagai solusi untuk menawarkan produk yang optimal kepada pelanggan.

Kecerdasan buatan dibuat di Bremen? Temui pakar AI di MO1N Startup Camp pada tanggal 7 dan 8 Maret 2019 dan pelajari cara membawa startup Anda ke level selanjutnya melalui teknologi dan strategi!

2. Validasi pasar awal: Apakah produk memberikan nilai tambah yang terukur?

Salah satu masalah terbesar adalah ketika perusahaan menerapkan sesuatu yang tidak memberikan nilai tambah. Itu MeyakiniApa yang dibutuhkan pelanggan bisa sangat berbeda dengan apa yang dibutuhkan pelanggan sebenarnya membutuhkan. Terkadang klien tidak tahu persis apa yang dia butuhkan – itulah mengapa sebuah proyek harus selalu divalidasi oleh tingkat permintaan tertentu. Di sinilah pemilik produk berperan lagi: Dia mempunyai gagasan tentang seperti apa proyek itu pada akhirnya. Jika proyek AI ingin diimplementasikan, kebutuhannya harus didefinisikan dengan jelas sebelumnya.

Ini bukan definisi proyek, melainkan deskripsi masalah apa yang dipecahkan proyek AI untuk klien. Transparansi adalah kuncinya Sebelum sebuah startup ingin menerapkan AI, penting bagi mereka untuk menguji apakah upaya tersebut benar-benar sepadan. Hal ini dapat dicapai, misalnya, dengan apa yang disebut tes asap: Istilah ini berasal dari bidang lean enterpreneurship dan berarti berbagai tes dilakukan untuk memahami apakah minat dan kebutuhan akan AI benar-benar ada. Istimewanya, Anda tidak mengembangkan produknya, Anda hanya membuatnya terlihat saja. Hal ini dapat menghemat biaya yang tidak perlu dan banyak waktu.

Intinya, perusahaan membuat situs web sederhana yang menjelaskan produk dan pada akhirnya meminta pengunjung untuk mendaftar produk tersebut sebelum benar-benar tersedia. Namun, calon pengunjung website tidak mengetahui bahwa produk tersebut tersedia. Jika dia mendaftar, dia menunjukkan kesediaannya untuk membayar. Jika cukup banyak orang yang melakukan hal ini, maka ide bisnis memiliki prospek yang bagus. Tentu saja, pengunjung kemudian diberitahu bahwa produk tersebut belum tersedia dan kemudian dapat, misalnya, berlangganan buletin.

Pada akhirnya, sebuah proyek AI hanya berhasil jika benar-benar menghasilkan nilai tambah bagi pelanggan dan bukan hanya jika model AI telah memenuhi berbagai KPI teknis. Apa pun yang tidak memberikan dampak positif pada bisnis inti adalah sumber daya yang terbuang sia-sia. Hal ini hanya bisa berhasil jika pelanggan bersedia membayar lebih untuk suatu produk atau jika lebih banyak pelanggan datang.

3. Infrastruktur: Dari mana datanya berasal?

Ada beberapa cara untuk menyediakan infrastruktur TI yang baik untuk proyek AI. Hal ini selalu membutuhkan database yang tepat dan struktur TI yang baik. Sebelum para pendiri mulai mengembangkan solusi AI, ada baiknya mempersiapkan alurnya terlebih dahulu. Pipeline adalah keseluruhan aliran data: dari asal melalui database, melalui persiapan data dan model AI, hingga ke tujuan. Caranya, awalnya Anda cukup menggunakan model AI sebagai placeholder untuk penyiapan data. Awalnya rumit, namun kemudian menghemat banyak waktu dan tenaga selama commissioning.

Kekuatan komputasi diperlukan saat mengembangkan model. Menyediakan infrastruktur ini dalam waktu singkat biasanya sangat menuntut bagi sebuah startup. Sumber daya sering kali langka, sehingga menyulitkan pengembangan dan pemeliharaan infrastruktur Anda sendiri. Selain itu, orang-orang yang tepat dengan keahlian tertentu juga tidak ada. Namun, ada solusinya. Layanan seperti AWS Lambda atau GCP Cloud dapat membantu mengatasi masalah tersebut. Ini menyediakan seluruh infrastruktur melalui layanan web dan penagihan didasarkan pada kebutuhan. Pengusaha cukup masuk ke infrastruktur secara online dan menggunakannya secara fleksibel untuk proyek yang dimaksud. Hal ini melindungi anggaran para pendiri karena mereka tidak perlu melakukan investasi besar. Selain itu, tidak ada risiko yang diambil karena kontrak layanan web dapat diakhiri secara fleksibel.

4. Proses pengembangan yang tepat: Bertujuan untuk “hasil yang diharapkan”.

Pada akhirnya, hal berikut ini penting: para pendiri tidak perlu menemukan kembali rodanya. Anda harus memeriksa apakah sudah ada solusi atau makalah penelitian serupa tentang masalah tersebut. KPI masih perlu didefinisikan. Bagaimana kita mengukur apakah model tersebut mencapai apa yang diharapkan? Akurasi apa yang harus dimiliki model tersebut? Apakah itu benar-benar jaringan saraf yang paling rumit atau apakah regresi sederhana atau solusi berbasis aturan sudah cukup? Ketika pertanyaan-pertanyaan ini diklarifikasi, segala sesuatunya akan menjadi lebih rumit selangkah demi selangkah. Sebagai aturan, pemula harus memulai dengan model sederhana dan kemudian mendekati model yang lebih kompleks melalui “kurva pembelajaran”. Penting bagi para pendiri untuk membidik “hasil yang diharapkan”. Itu berarti mereka tidak boleh mencobanya model terbaik untuk berkembang, tapi, bahwa model pertama memenuhi kriteria. Mereka tidak hanya harus menikmati ide, tetapi juga melihat hasil pertama secara realistis.

Lebih lanjut tentang kecerdasan buatan di MO1N Startup Camp

Di Startup Camp MO1N pada tanggal 7 dan 8 Maret 2019 di Bremen Energy Control Center Banyak pakar AI siap membantu para pendiri dengan memberikan saran dan dukungan. Selain kecerdasan buatan, penyelenggara juga memikirkan banyak topik menarik lainnya.

Dapatkan inspirasi dari dunia startup Bremen dan solusi AI dan ambil bagian dalam MO1N Startup Camp – tiket tersedia di sini.

Ada juga kesempatan untuk menyampaikan ide startup Anda di MO1N Startup Camp.