原作者Siraj Raval
原標題 How to Start an AI Startup
翻譯 | 李振 J叔 餘杭 字幕 | 凡江 整理 | 廖穎
我們正處在一個AI大革命的開端，每週都有新的創新出現。例如Tetra利用語音識別技術，從你的手機中生成詳細的筆記；Hyper Science通過利用OCR從表單中輕鬆提取數據；Jet Lore利用消費者行爲作爲一個模型的輸入，輸出結構化數據。在本期視頻中，我將結合自己的創業經驗，告訴你們如何啓動一個AI的創業項目。
一、推薦的學習材料
現在是2018年，如果你希望今年加入創業大軍的話，首先就要學習AI。如果你自己不瞭解這個神奇的技術是怎麼工作的話，你不可能創造出AI解決方案。如果你剛剛開始看教程，記得按照這個順序——先學習面向數據科學的python，然後是Tensorflow的介紹，接着是Deep Learning的介紹，最後是關於人工智能的數學知識。
另外，Andrew Ng的最新Deep Learning課程是必選項，Jeremy Howard的Fast.Ai 課程也非常棒。我最喜歡的關於深度學習的書是lan Goodfellow著的Deep Learning。這本書的電子版是免費的，它對你理解關於Deep Learning的數學知識非常有幫助.Deep Learning被證實在廣泛的範圍內，可以幫助每一個其他的機器學習模型。
所以，關於AI的炒作是有道理的。然而你需要確切地知道，其他機器學習模型是怎麼工作的。在無法獲取大量數據的情況下，你只能建立一個簡單的預測模型。這種情況下，支持向量機，甚至一個簡單的決策樹，都比深度神經網絡更有用。
知道什麼時候用什麼模型的唯一方法是，建立關於AI的直覺——這種直覺在學習和掌握大量AI 知識資源後才能得到。當掌握了構建AI算法的全貌時，你需要找到一個激發你濃厚興趣的問題去研究——世界上大多數成功的公司都是從解決問題開始的。
二、記錄遇到的問題
記錄你和你朋友面臨的問題，以及在生活中亟待解決的問題吧，這會是非常好的選擇。這些問題困擾着你關心的人，於是你就會有解決它的熱情。
如果沒有好的想法，你可以使用社交網絡主動尋找想要尋找解決方案的人。利用關鍵字或關鍵詞，找到人們發佈的遭遇很大挫敗感的話題，例如我該怎麼做，尋找問題解決方案，或者關於這個工作做的不好等。你可以在Reddit或Twitter等社交媒體上找到這些信息。
三、讀萬卷書，行萬里路
我認爲最好發現問題的方法是旅行，和不同人接觸。我在前幾年曾歷時三個月環遊歐洲，在倫敦偶然碰到了Alex macaw，他給了我啓發，讓我在大學前幾年的主修方向，從商學轉爲計算機科學。這是我這一生最重要的改變，才能讓我成立了機器人創業公司Lucid Robotics。
我在劍橋讀三年級的時候，在南亞和東南亞旅行了四個月。這次旅行幫助我以不同的角度看待同一個事物。離開硅谷以後，我會親自去發現人們面對的問題，他們日常的生活問題，關係到基礎設施、商業活動，當然還有教育，對我的影響非常大。當地人進行許多簡單的交流，最終形成了我自己的想法，形成了一個大的計劃——即關於AI的教育。
四、前期調研
像馬斯克說過：「創業就像披荊斬棘，篳路藍縷」。如果你對解決一個問題沒有熱情，你就無法堅持。當遇到不論多少負面的評論。我總持保留意見，因爲這不是針對我的，而是針對解決AI問題的。一旦你有了待解決的目標問題，就該做一些市場調查，包括你的客戶，他們在哪裏購買，他們的承受能力，這是產品還是服務，配置的花銷，市場的歷史怎麼樣等等。
這方面的內容可以參考dot.com（互聯網）和大數據分析公司。根據公佈的關於一般AI創業公司的報告，AI型創業公司大致分爲兩類：第一類是水平方向的AI創業公司，主要針對服務於不同行業的基礎問題，比如自然語言處理；第二類是垂直方向的創業公司，針對非常具體的客戶羣體，爲他們解決問題，屬於一類具體的行業。
每個主流的技術公司都非常注重AI，他們僱傭AI方面的大牛，從Hinton到LeCun都是天才。他們多年來從用戶那收集了大量數據，而這些只對他們自己的研發團隊開放，因此這些科學巨人擁有巨大的優勢。他們建立水平方向的產品，可以被用在很多行業，例如圖像識別，語言翻譯或者其他的基礎設施。
而你所擁有的優勢，是可以根據一個獨立的問題，針對垂直方向的領域展開快速的行動。他們沒有時間去處理簡單的小問題，但是你有。
總的來說， 他們關注客戶多過於關注企業，你可以幫助企業，建立個人主頁，描述你的產品，註冊獲得發佈版本，在社交網絡上發佈它。一個提升你產品認知度的方法，是提升你自己的形象，把自己包裝成一個AI思想領袖，建立博客或者其他形式回答AI的基礎問題。當你註冊時，讓觀衆看到，如果你做的非常好，你產品的價格也會跟着增長——它和你可以提供的成正比，這至關重要。
五、尋找數據
如果你將AI從公司剝離，但如果在正確的軌道上的話，它仍是一個有價值的產品。如果AI是你唯一的東西，沒有消費者或者投資者會滿意的。當你開始市場調研，就是建立你產品的最佳時機。建立模型的時候，你需要儘可能地組織和標註你的數據——高質量的數據經常是機器學習流水線中最重要的部分，重要程度甚至超過模型結構——在垃圾中分析垃圾什麼也得不到。
最簡單的方法是尋找公佈的數據，Github上有非常棒的數據庫，California Irvine有巨大的ML數據資源庫，Kaggle也有很多很棒的數據。如果這些都不管用，用你已有的數據建立自己的數據庫，例如當你嘗試着對手寫字體進行分類，你可以通過增加噪聲的方法，從已經存在的數據中生成新的數據。如果你有未標註數據，通過Amazon的Mechanical Turk進行衆包是一個好的選擇。你可以找人來標註他們。另外還有像data circle這樣的數據市場，你可以直接從其他人手中購買或者交換數據。
最後，如果你夠有創意，可以利用scrapy庫或者web service來編寫python腳本實現自動抓取數據，就像在diggernaut.com 上一樣。當你開始建立模型，Tensorflow仍然是最能經受考驗的機器學習框架。Tensorflow的生態圈有一大堆的工具，比如產品化的Tensorflow Serving。建議一個模型，用你的數據通過 AWS google cloud 或者 FloydHub 來訓練這個模型。利用你的模型進行預測——這就是你的產品。數據越多意味着算法越智能，同時也意味着產品更優秀，用戶更多以及數據越多，這個環狀結果往復循環。
六、融資
融資是一個加速拓展業務的方法，或許ICO圈子現在非常熱門，但如果你長時間處身其中，可能產生法律問題，這裏就不談了。我的一個朋友——Aetherium的第一個設計者，他不希望給他的公司做ICO，於是採用衆籌的方法籌錢。
我們可以發現他的做法很具有啓發性，我有一篇文章，詳細地描述了這件事。風險投資（VC）是另一選項，通過重複使用一些流行語來使VC投資人相信你的產品很棒。其中，最好的VC投資人可以很好地理解你的產品，所以你需要準備好向他們解釋其中的技術。
如果你可以在一些高檔的地方和VC投資人交流，說明你已經獲得了一些現金流；如果沒有，就不用。這就是我在紐約被那麼多VC投資人拒絕的原因——我還沒證明我的機器人能夠有很好的銷售市場，因此我並沒有得到很多的投資，我所做的是建立一個受衆羣體。我可以接受被挑剔，但是我現在不關注融資。
七、招聘
接下來是招聘。極少數的天才分佈在全球各地，所以從kaggle的全球排行榜招人是有道理的，即最招最有用的人——我很難找到適合幫助我編輯視頻的人。如果你真心喜歡一件事情， 是很難放棄的。如果你找到合適的人，事情變得簡單了。
Steve Jobs說過，最高興的事情是你擁有一個核心團隊——可能是10個優秀的人。它是可以自控的，某種程度上，你可以選擇退出。不論之後是被Aqua或其他的大型技術公司僱傭，還是被IPO僱傭，如果都沒有，可以走諮詢公司這條路，只是沒有開發產品那麼具有誘惑力，但是找幾個朋友開一家諮詢公司總能填飽肚子，得到一些初始用戶，慢慢做好品牌，證明自己。
視頻原址 https://www.youtube.com/watch?v=9bbS-trc8ys
相關推薦
沒有博士學位和頂會論文，我如何拿到DeepMind研究員Offer？