比较AI策略–垂直与水平
简介：  目前很难让AI初创公司进行规模扩展以进行IPO。围绕行业讨论了几种不同的策略，在这里我们谈论横向策略和日益受到青睐的纵向策略。
看来AI初创公司正在酝酿一个问题。虽然人工智能无疑注定会成为下一个伟大的通用技术，但与蒸汽机，汽车和电气化相提并论，但没有任何新的以人工智能为先的公司看起来会成长的例子大。
好的，在80年代，“计算机时代”花了很长时间才出现在财务统计数据中，也许我们在同一个地方。尽管如此，仍然有很多人，特别是风投公司在想如何将AI公司发展成首次公开募股的方式。这才刚刚开始导致人们对成功的AI策略的外观有不同的看法。
最近，我们写了自己喜欢的策略Data Dominance。您应该注意另外两个或三个，我们将在这里讨论水平和垂直两种领先策略。
我们如何知道存在问题？
2017年，CB Insights报告称，有120家退出市场的AI公司中有115家是通过收购实现的。大部分收购仅由9家公司完成。猜猜是谁。
人工智能初创公司只有几年的历史，可以公平地说，当这些创始人成立时，他们不仅希望改变世界，而且希望赚钱以改变生活。传统上，这意味着IPO。
但是由于AI人才的短缺，这些初创公司中的大多数最终只是被收购而已。我们希望至少有人赚到了改变生活的钱，但是所有这些孔雀鱼最终被鲸鱼吞噬了，现在只是功能或产品，而不是改变世界的企业。
并非所有的创业公司都能做到。当然，当Google或Amazon打电话来时，这确实需要进行彻底的搜索。但是，关于这些初创企业的策略是否可行还存在一个开放的问题，那就是我们开始对话的地方。
横向策略
横向战略是我们行业几乎偶然地开始的地方。核心概念是制造一个可以供许多行业使用的AI产品或平台，比以前的AI更有效地解决问题。
然后出现了风投所谓的整体：谷歌，亚马逊，IBM和微软。众所周知，它们在各自数据领域的主导地位使他们在使用熟悉的MLaaS模型提供通用图像，视频，语音和文本AI工具方面几乎不可逾越。
这些公司最初都不是AI优先公司。这源于曾经被称为数据辅助策略的现象。它在那里，所以为什么不将它添加到他们的产品中。
整体垄断已经变得如此占主导地位，以至于风险投资家之间存在着一个普遍持有的原则，即初创企业应该与这些核心能力保持最大距离，以便进行辩护。
在整体领域之下还有第二批横向竞争者，包括初创公司。这些一直延伸到像OneClick.AI这样的一些较新的自动化机器学习（AML）公司，该公司将深度学习与ML算法的标准分类集成在一起。
横向战略出台
最重要的是，出于各种原因，横向战略已经出台。
得益于AI的开源精神，在任何“专有” DL算法中，实际上都没有防御性IP，而快速追随者无法复制这些IP。
横向公司并不拥有客户的核心问题。他们只是提供一种必须由熟悉该行业的顾问进行调整的工具，或者要求客户客户比他们可能希望的更多地了解DL。
他们没有拥有客户问题特有的培训数据，因此没有数据防御性。
与传统的MLaaS同类工具相比，这些工具趋向于逐渐更好，但并没有取得更好的突破。这包括来自整体的直接竞争。
简而言之，这不是风险投资人投入资金的地方。
纵向策略
纵向战略不是唯一的选择，但无疑是当今最广泛讨论的战略。它与该策略一样，也关注数据的优势，但在进一步说明成功所需的其他方面。
垂直领域最有声望的倡导者是数据收集DCVC的创始合伙人布拉德福德·克罗斯（Bradford Cross），自称为世界领先的机器学习和大数据风险投资基金。我不知道布拉德福德是否是垂直策略的发明者，但他当然可以声称比其他人更详细地发表了文章。
纵向策略具有四个主要原则：
全栈产品：向最终客户提供全栈全集成解决方案，解决真正的“火上浇油”的问题。全栈意味着从接口到DL模型到驱动模型的数据，以及介于两者之间的所有功能。
主题专长：选择一个行业并专注。这需要深度学习以外的深入学科专业知识。这意味着在此过程中尽早引入行业领导者，这不仅可以极大地方便定义和解决问题，而且还可以在上市时解决行业内的信任和关系。
专有数据：拥有该接口可以让您对其进行检测并收集专有数据。这样，您就可以建立高价值模型，从而在客户-应用程序-数据的良性循环中推动附加数据的获取。您可以控制数据价值链，为您提供数据优势和定价权。在大多数情况下，确定如何获取初始数据将是该策略最困难的方面。
人工智能必须实现核心价值：人工智能不是解决方案的增量添加，它是释放全新机遇的核心。产品本身收集的AI加上专有数据将使您能够为行业构建越来越有吸引力和有价值的解决方案。
如果您想从布拉德福德（Bradford）阅读更多有关纵向战略的信息，请尝试这篇出色的文章。
这就是纵向战略的全部内容吗？
好吧 对于初学者，正如我们在数据优势文章中所指出的那样，选择具有适合AI的正确问题的正确行业并非易事。
尽管任何符合纵向策略标准的行业都可以进行防御性开发，但Bradford Cross还是为风险投资界提供了一些独到的见解。
首先，Cross先生引用了90％的AI初创公司专注于企业市场，而不是到目前为止到目前为止非常普遍的消费类应用程序。
“自1995年以来，与消费类初创企业相比，企业初创企业的总回报率提高了40％。企业和消费者初创公司已经产生了同等的IPO价值，但企业却产生了2.5倍的并购价值。”
其次，市场退出的人群众多。在并购市场中，对机器学习和人工智能的兴趣倾向于在热门行业周围出现，这些行业共同出现了许多可行的启动目标。目前，倾向于金融科技和医疗保健，其次是能源，公用事业，基础工业和运输。
重点很简单，如果您是关注热点行业的同类成员，那么市场上就会有更多的买家。
这是否意味着您应该跳过其他行业的机会？一点也不。只是要知道，风投公司更倾向于在偏爱的行业慷慨地投入资金，而不是在离群的人。
关于全栈解决方案的观察
总的来说，我同意全栈解决方案的需求，该解决方案提供了简单的界面并解决了一个非常重要的客户问题。值得备份一分钟，但是要考虑多少满堆栈就足够了。
以物联网中的预测性维护为例，最近的BCG报告列出了以下所有内容，作为全栈预测性维护解决方案的整体解决方案的一部分。
识别有风险的组件故障预测。
优化资源调度和人员配置。
使技术人员和库存与要执行的维护和维修工作相匹配。
确保工具和维修设备的可用性。
确保首次修复优化。
优化零件和MRO库存。
预测组件的可修复性。
优化零件，工具和技术人员的物流。
利用队列分析来改善服务和维修的可预测性。
利用事件关联分析来确定天气，经济和特殊事件如何影响设备和机器的维护和维修需求。
如您所见，提供这种全栈解决方案是一项艰巨的任务。几乎是在发明SAP或PeopleSoft集成ERP解决方案的规模。这是可以辩护的吗？在AI优先业务解决方案的原始愿景中这是否必要–可能不是。
作为一个长期目标，这将是一个理想的情况，但是您可能仅可以在其中的3个或4个要素上建立起重要的业务。
题库