Lean Startup i veštačka inteligencija
Šta je Lean Startup?
Pokretanje i razvoj novog startupa oduvek je bilo izazovno - zato morate biti otvoreni za isprobavanje novih i inovativnih pristupa da biste povećali svoje izglede za uspeh. Šanse za uspeh mogu se značajno povećati prosto racionalnim i sistematskim pristupom pronalaženja najbolje strategije za vođenje posla. Pokret Lean Startup je jedan od najuspešnijih sistematskih pristupa do sada i prihvaćen je širom sveta, menjajući način izgradnje i pokretanja novih proizvoda.
Lean Startup je metodologija za razvoj preduzeća i proizvoda koja ima za cilj da skrati cikluse razvoja i brzo otkrije da li je predloženi poslovni model održiv; ovo se postiže usvajanjem kombinacije eksperimentiranja zasnovanog na poslovnoj hipotezi vođenoj eksperimentom, iterativnog pokretanja proizvoda i potvrđenog učenja. Metoda Lean Startup vas uči kako da pokrenete startup - kako da upravljate, kada da napraviti zaokret, kada da istrajete i kako da razvijate poslovanje sa maksimalnim ubrzanjem. To je principijelan pristup da se željeni proizvod nađe u ruke kupaca što brže.
Centralna metodologija Lean Startupa je pretpostavka da kada startup kompanije ulože svoje vreme u iterativnu izgradnju proizvoda ili usluga kako bi zadovoljile potrebe ranih kupaca, kompanija može smanjiti tržišne rizike i zaobići potrebu za velikim iznosima inicijalnog finansiranja projekata, skupim pokretanjima proizvoda i otkazivanja.
Isti pristup iterativnom učenju neprekidno sprovodeći eksperimente praktikuju najbolji timovi za rast, koji koriste isti sistematski pristup testiranju kako bi posao što brže mogao da raste. Ključ je u preduzimanju akcija - pokušavanju, neuspehu, učenju i pobedi učeći brže od bilo koga drugog.
Šta je veštačka inteligencija (Artificial Intelligence - AI)?
Veštačka inteligencija se često koristi kao krovni izraz za opisivanje vrsta tehnologija koje mogu da simuliraju ljudsku inteligenciju. To je sposobnost računarskog programa ili mašine da misli i uči. Takođe je polje proučavanja koje pokušava da kompjutere učini "pametnim", gde računari rade sami, a ne kodiraju se komandama.
John McCarthi je s pojavom veštačke inteligencije izašao 1955. godine. Veštačka inteligencija u osnovi gradi mašinu ili kompjuterski program da bi analizirala podatke i naučila iz različitih signala kako da donese pametne odluke o prediktivnim radnjama za postizanje zadatog cilja ili željenog ishoda. Veštačka inteligencija je nauka i inženjering o tomr kako da se računari ponašaju na način na koji smo, do nedavno, mislili da zahteva ljudsku inteligenciju.
Izraz "veštačka inteligencija" ima šire značenje. Ideja je da mašine i računari mogu da izvršavaju zadatke koji obično zahtevaju ljudsku inteligenciju. AI, kao što ga danas znamo, manifestuje se u interakcijama između čoveka i AI gedžeta i uslugama kao što su Google Home, Siri i Alexa; ML video sistem predviđanja koji pokreće Netflix, Amazon Prime i YouTube; a hedge fondovi koriste algoritme ga da bi izvršili mikro-trgovanje kojima se svake godine zarade milioni dolara. Ova tehnološka dostignuća postaju važna u našem svakodnevnom životu. U stvari, oni su inteligentni pomoćnici koji poboljšavaju naše sposobnosti, čineći nas produktivnijim.
Šta je mašinsko učenje (ML)?
Mašinsko učenje je vrsta veštačke inteligencije razvijena da omogući računarskim sistemima da progresivno poboljšaju performanse zadatka "učenjem" kroz niz statističkih pristupa. Drugim rečima, mašinsko učenje je razvoj algoritama koji omogućavaju još preciznija predviđanja zasnovana na inkrementalnom prikupljanju podataka.
Koncept mašinskog učenja je o tome da se mašinama omogući pristup podacima kako bi i same mogle da uče iz njih. Za razliku od ML-a, AI je pokretni cilj i njegova definicija se menja kako se njegov napredak u tehnologiji dalje razvija. AI koristi gomilu tehnologija koje uključuju ML, dubinsko učenje, algoritme zaključivanja, obradu prirodnog jezika, neuronske mreže i računarski vid. Ove tehnologije počinju da pokazuju obećano, uprkos užurbanosti i zbrci na tržištu. Veštačka inteligencija je u kritičnoj tački svoje evolucije, a to se posebno odnosi na automatizaciju marketinga.
Mašinsko učenje obično najbolje funkcioniše kod velikih skupova podataka ispitivanjem i upoređivanjem podataka da biste pronašli zajedničke obrasce i istražili nijanse. Automatizuje izgradnju modela za analizu podataka. Koncept koji stoji iza mašinskog učenja je da računar može da nauči na osnovu podataka koje analizira identifikujući obrasce. Na kraju, ova tehnologija može donositi odluke bez ljudi. U suštini, mašinama omogućava da uče i prilagođavaju se iskustvom. Evo kako to funkcioniše: sistem koristi verovatnoću za donošenje odluka ili predviđanja na osnovu dostupnih podataka. Zatim koristi petlje za povratne informacije kako bi otkrio da li je njegovo predviđanje ispravno ili pogrešno. Predviđanja postaju sve tačnija - a sistem postaje pametniji.
Primer startupa koji je uspešno uticao na ML je IMVU, to je najveća svetska društvena mreža koja se bazira na avatarima. Rade sa platformama za menadžment odnosa sa kupcima (CRM), kao što je Leanplum kako bi prikupili ogromnu količinu podataka o klijentima u stvarnom vremenu - od korisničkih profila, lokacije, prihoda i statistika korišćenja, sa kime korisnici komuniciraju i još mnogo toga. Ali sami po sebi, ovi podaci nam govore samo ono što se događalo u prošlosti. S druge strane, mašinsko učenje koristi ove informacije za predviđanje budućnosti - na primer, koji korisnici najverovatnije mogu da se izdvoje tako da im se može ponuditi kritična pažnja koja će ih angažovati da koriste potpunu vrednost proizvoda. Podaci su beskorisni ako vam ne pomažu u donošenju boljih odluka u budućnosti da postignete željene poslovne ciljeve za dalji rast.
Primenjujući mudrost Lean Startup pristupa u "zlatnu zoru" veštačke inteligencije, možemo radikalno poboljšati naše šanse za uspeh. U osnovi to su eksperimenti na steroidima. Pravilno instrumentovani pristup modernoj veštačkoj inteligenciji, mašinskom učenju i automatizaciji pruža velikim i malim kompanijama mogućnost da istovremeno održe daleko više eksperimenata. Ovo ubrzava proces pronalaženja uspešnih eksperimenata - za koje nikada ne biste imali vremena da testirate u "pre-AI" svetu. Postepeni eksperimenti koji bi inače bili stavljeni na drugo mesto po ceni ili složenosti sada su važni za posmatranje u svetu autonomnog marketinga.
