Стартап. Как начать с нуля и изменить мир - стр. 18
В Долине проект получил бы 10 миллионов долларов инвестиций (правда, от «вывода в топ» пришлось бы отказаться), в России стартап живет на свои, даже несмотря на прицел на мировой рынок и реальные продажи в США. Лояльных платящих клиентов аналитики у Asodesk сейчас несколько сотен.
Автоматическая идентификация лиц коммодитизируется, новые поставщики появляются каждый месяц, ничего интересного в этом нет. Тем не менее американский Ever дает повод написать о двух особенностях этого бизнеса.
Во-первых, он наглядным образом демонстрирует, что технологии уже достаточно хороши, чтобы качество не приносило существенных бенефитов. На промостранице Ever висят результаты «объективных» тестов, по которым стартап, разумеется, занимает уверенное первое место. Однако даже в этом пристрастном исследовании, которое явно не завышало результаты конкурентов, видно, что они прекрасны и неотличимы. Невозможно сказать, лучше ли 98,37 % правильных ответов в одном тесте и 99,7 % в другом, чем 98,67 % и 99,3 %, или наоборот. И даже если у кого-то «всего лишь» 98,0 % и 99,0 % – нет представимых сценариев, в которых это существенно повлияет на бизнес клиента. Технология с 99,999 % точности найдет себе новые применения, но пока все болтаются в диапазоне 98–99,5, их возможности идентичны.
Во-вторых, Ever показывает, от чего зависит качество продукта, и это совсем не гениальные инженеры. Еще три года назад стартап развивал приложение, максимально далекое от искусственного интеллекта и распознавания образов, – мобильную бэкапилку фотографий. Фото и видео перезаливались с телефона в платное облако, потом пользователь в удобном интерфейсе чистил память своего аппарата и продолжал беззаботно фотографировать. Предложение совершенно не уникальное, альтернатив много, но аудитория у Ever была, и в облаке стартап накопил 12 миллиардов фотографий, размеченных хотя бы автором. На этой базе стартап и тренировал нейросетку, отсюда и пришли хорошие результаты.
После пивота Ever получил 16 миллионов долларов инвестиций. Забавно, что после этого они поменяли технического директора – старый «обогнал» Google с Microsoft, но все равно не подходит, нужен новый.
Базовые конструкции SQL близки нормальному английскому языку, даже человек, далекий от программирования, понимает простые запросы – ну что здесь не понять: select name from employees where title='уборщик'. Совсем другое дело – такое написать, это еще не профессия, но уже полноценный навык. Одна неверная буква – и компьютер ругается, запрос не проходит, надо бежать на поклон к программисту.
FriendlyData делает работу с базой, доступной каждому маркетологу. Умный интерфейс разбирает фразы на естественном языке, превращает в SQL и выдает результат. «Give employees with title уборщик», «show me employees whose title is уборщик» – FriendlyData понимает самые разные варианты написания запроса. Технология, конечно, неидеальна и никогда идеальной не будет. Чем сложнее задача, тем проще сбить с толку робота, связь пяти таблиц такая механика не осилит никогда – на мягком естественном языке вопрос просто не сформулируется однозначно.
Но, положа руку на сердце, нормальному менеджеру гораздо чаще нужны куда более простые задачи, чем связь пяти таблиц. FriendlyData помогает пользователю самому найти наиболее посещаемую страницу, или посмотреть результаты A/B-теста, или выбрать самый кликабельный баннер. Компания-покупатель в это время увольняет пару специалистов, которые раньше обслуживали нетехнических коллег и исполняли, по сути, функцию FriendlyData.