围绕人工智能（AI）和机器学习（ML）的炒作达到了令人难以置信的水平。一些评论者将AI称为第四次工业革命，而另一些评论者则将其称为新力量。我是这一理论的信徒之一。正在AI和ML领域的公司上投入大量资金，因为它们有潜力彻底改变大多数行业（即使不是所有行业）。请看下面的图片。避免将注意力集中在实际问题上。如此重大的技术革命应获得广泛而深入的融资，这可能为该领域的大量投资提供理由。但是我担心许多企业家陷入专注于AI基础架构的陷阱，即算法和平台，而不是应用程序。成功的公司通常从解决特定的用户问题开始，并随着时间的推移不断发展，直到最终建立更广泛的“平台”。基于一定的解决方案。最重要的是解决特定的业务问题，而不是技术本身的问题。但是，考虑到该技术的外在化，我们很容易被算法和模型所吸引，而忽略了这些应用程序。那么，对于优秀的AI和ML初创公司来说，是什么让优秀的公司成立？可以归纳如下：1.消除或减少以前认为难以实现自动化的地区的人工； 2.使用新功能（以前不具有成本效益的新产品和服务）来开发“空白”； 3.通过将ML技术嵌入到应用程序中，传统应用程序变得更有价值。为什么要避免使用同级别的ML平台？您是否注意到机器学习平台似乎没有类别？有几个原因。像Google和Facebook这样的大型互联网公司不仅投资于AI和ML，还采用了开源工具和平台。鉴于这些大型互联网公司可利用的巨大资源和专门的独特数据集，初创企业很难与它们竞争。如果您想基于这些功能来区分创业公司，那么与那些大公司相比，您将面临巨大的劣势。此外，广泛报道的数据科学人才短缺也影响了客户利用平台和算法的能力。缺乏人工智能技术意味着客户无法构建自己的AI和ML。因此，具有相同平台级别的初创公司最终将成为专业服务角色，以帮助每个客户定义并实现其特定目标。对于企业家而言，在相同级别上构建平台的另一个重要方面应考虑“市场化过程”的复杂性。不同的垂直市场可能具有不同的购买行为，您可能需要通过不同的渠道解决不同的垂直问题。当然，在选择垂直市场之前，您应该确保它可以确保有足够的规模和增长来支持大型企业。测试行业如果您的ML模型可以应用于多个行业，那么在决定关注哪个行业之前，您需要考虑以下变量：1.部署成本不仅应该考虑客户在您的技术上花费了多少，而且还应该考虑计算将其当前解决方案转换为新产品的成本。例如，如果一名中国制造业工人的年收入为6,000美元，而用机器人替换该工人的资本成本为4,000美元，则投资回收期至少应为6年（不包括运营成本）。这种情况对于普通的工厂经理来说可能不是很吸引人。 2.增加值的增加值超过了成本费用。您的基于ML的软件可以提供什么价值？是否可以提供更好的质量，提高客户满意度，减少错误，提高性能或吞吐量等？例如，在招聘方面，人们会有偏见和偏好。因此，像Gild，Entelo和TexTIo这样的初创公司都开发了基于ML的软件，该软件可以自动雇用员工而不会产生这些偏见。 3.法规/合规性问题是否有很多繁文tape节会使您的产品采用过程复杂化？无人驾驶汽车就是一个明显的例子。 4.潜在客户之间的目标冲突。 AI和ML消除或减少了人工劳动的规模，这可能比任何现有技术都要大得多，因此产生的阻力要大得多。您的销售团队会因为您的新技术而失业吗？例如，IT外包公司的主要关注之一是由于“自动化”的影响，每小时的维护工作已经减少。 5.行业准备有时，由于极度的风险规避，行业不准备接受新的解决方案。我们看到行业关注工作时间而不是效率