Ang isang startup na binuo sa malaking modelo ng wika ng ibang tao ay nananatiling mapagtatanggol sa pamamagitan ng pagmamay-ari ng hindi maaaring kopyahin ng isang kakumpitensya gamit ang mas maraming pera o isang mas mahusay na engineering team: pagmamay-ari na data, protektadong intelektwal na ari-arian at mga in-house na modelo na naka-layer sa itaas ng LLM. Ang kumbinasyong iyon, kasama ang isang koponan na may kadalubhasaan sa domain at isang produkto na napatunayang angkop sa merkado, ang hinahanap ng mga venture capitalist kapag ang pangunahing teknolohiya ay hindi sa iyo.
Mga pangunahing aral
- Ang pag-asa sa isang third-party na LLM ay nag-iiwan ng isang startup na bukas sa pagkopya ng mga karibal at sa malalaking kumpanyang lumilipat sa merkado nito.
- Ang pagbabago at proteksyon ng IP ay nag-iiba ng isang startup na higit pa sa aplikasyon lamang ng isang LLM.
- Ang pagmamay-ari na data ay ang napatunayang depensa: pinipigilan nito ang mga kakumpitensya na may mas maraming pondo o mas malakas na mga team ng teknolohiya.
- Ang isang praktikal na landas ay ang palakasin ang pagmamay-ari na data at teknolohiya gamit ang mga generative na modelo, pagkatapos ay isaalang-alang ang isang in-house na LLM kapag napatunayan na ang product-market fit.
- Gusto ng mga VC ng isang koponan at isang pananaw na higit pa sa isang tawag sa API.
Bakit ang pagtatanggol ang unang tanong ng mga VC?
Bilang isang negosyante at akademiko, madalas akong nilalapitan ng mga venture capitalist (VC) at mga startup na may isang mahalagang tanong: "Paano mananatiling mapagkumpitensya at mapagtatanggol ang isang startup kapag binuo ang core nito sa mga malalaking modelo ng wika (LLM) tulad ng ChatGPT?"
Ang sagot ko ay maingat. Ang mga kumpanyang mababa ang IP ay maaaring magtaas ng mga alalahanin, ngunit isang salik ang humihingi ng ating pinakamalapit na atensyon. Ipinapaliwanag ng artikulong ito kung bakit napakahalaga ng elementong iyon.
Bakit ang mga startup na sinusuportahan ng LLM ay nakakuha ng napakaraming interes sa VC?
Binago ng mga LLM ang paraan ng pakikipag-ugnayan natin sa teknolohiya, na nagbibigay-daan sa mga malalaking pagsulong sa pagproseso at pag-unawa sa natural na wika. Nakahanap ang teknolohiya ng mga aplikasyon sa maraming sektor, mula sa serbisyo sa customer at pagbuo ng nilalaman hanggang sa pagsusuri ng data at paggawa ng desisyon. Bilang resulta, ang landscape ng pagsisimula ay nakakita ng isang pag-akyat sa mga pakikipagsapalaran na binuo sa mga mahuhusay na modelo ng wika na ito.
Matapos ilabas ng OpenAI ang ChatGPT, kapansin-pansin ang interes na nabuo nito sa mga VC sa buong mundo. Bagama't nakita ito ng ilan bilang isang mas mababang pagkagambala, ang sigasig na nakapalibot sa mga LLM ay nakakuha ng atensyon ng mga kilalang mamumuhunan.
Sa oras ng pagsulat (2023), libu-libong mga generative AI startup ang umaakit ng bilyun-bilyong dolyar ng pamumuhunan, at inaasahan ng PitchBook na aabot sa $42.6 bilyon ang pandaigdigang generative AI market sa 2023.
Ano ang dahilan kung bakit mapanganib ang hindi pagmamay-ari na teknolohiya para sa mga startup?
Ang mga transformative na modelo ng wika ay nagdulot ng napakalaking interes at potensyal sa mga startup, ngunit mahalagang kilalanin ang mga hamon ng pagbuo sa hindi pagmamay-ari na teknolohiya. Ang mga startup, hindi tulad ng mga higante sa industriya tulad ng Google, ay kadalasang kulang sa mga mapagkukunan at imprastraktura upang ayusin, muling sanayin o ganap na samantalahin ang mga kakayahan ng mga LLM.
Ang pag-asa na ito sa teknolohiya ng third-party ay nagbibigay-daan sa kanila na bukas sa replikasyon ng mga karibal na startup at sa pagiging natatakpan ng malalaking korporasyon na naglalayong gamitin ang mga lumalagong merkado. Sa mga mahusay na itinatag na teknolohiya at patuloy na pagkagutom para sa mga bagong aplikasyon, ang mga higanteng ito ay maaaring mag-deploy ng kanilang sariling mga mapagkukunan sa sukat at masira ang mapagkumpitensyang gilid ng mas maliliit na pakikipagsapalaran.
Ang isang simpleng pagsubok ay ginagawang kongkreto ang panganib. Kung ang isang kakumpitensya ay maaaring muling buuin ang iyong produkto sa loob ng ilang linggo na may parehong access sa modelo at isang mahusay na pagkakasulat na prompt, ang iyong kalamangan ay nasa bilis at pamamahagi, hindi sa teknolohiya. Mahalaga ang bilis at pamamahagi, ngunit bihira silang makaligtas sa isang mas malaking kumpanya na nagpapasyang pumasok sa iyong market.
Paano pinoprotektahan ng innovation at IP ang isang startup na sinusuportahan ng LLM?
Upang mabawasan ang panganib ng teknolohikal na pagkopya, ang mga startup ay dapat na aktibong humanap ng mga paraan upang maiiba ang kanilang mga sarili sa kabila ng paggamit lamang ng mga LLM. Ang susi ay nakasalalay sa isang kultura ng pagbabago at proteksyon ng IP. Ang isang team na nauunawaan ang mga nuances ng teknolohiya at nagdadala din ng kadalubhasaan sa domain at malikhaing paglutas ng problema ay maaaring palawigin ang pag-aalok nito at bumuo ng isang mapagkumpitensyang kalamangan na higit pa sa pinagbabatayan na modelo.
Ang pagsasama nito sa strategic acquisition at proteksyon ng mga karapatan sa IP ay maaaring palakasin ang posisyon ng isang startup sa merkado at maprotektahan ito mula sa mga imitator.
Bakit ang pagmamay-ari na data ang pangunahing elemento?
Sa venture capital, ang pagmamay-ari ng natatanging data ay isang napatunayang paraan upang maprotektahan ang depensa ng isang teknolohiya. Kinikilala ng mga VC na ang mga pinagmamay-ariang dataset ay maaaring humadlang sa kumpetisyon, na pumipigil sa mga karibal sa simpleng pagkopya ng mga ideya na may mahusay na pagpopondo o mga team ng teknolohiya.
Ang halaga ng natatanging data ay higit pa sa pagpapabagal ng pagtitiklop. Nagbibigay ito sa mga startup ng mahalagang insight, tinutulungan silang matukoy ang mga nakatagong pattern, maunawaan ang gawi ng customer at manatiling nangunguna sa mga uso sa merkado. Sa pamamagitan ng paglalagay ng pagmamay-ari na data upang gumana, ang mga startup ay maaaring palakasin ang kanilang competitive edge at humimok ng inobasyon sa isang matinding competitive na landscape.
Ang isang paraan para sa mga founder na manatiling nangunguna sa kanilang kumpetisyon sa mga mata ng mga VC ay upang palakasin ang kanilang pagmamay-ari na data at teknolohiya gamit ang mga modernong generative network at, kapag napatunayan na ang product-market fit, upang tumingin pa sa isang in-house na LLM.
Paano ito inilapat ng SOMIN?
Halimbawa, noong binuo ang aming competitor analysis suite, "SoMonitor", at ang LLM-powered analytics assistant nito, "SoDa", ang pagiging defensidad ng teknolohiya ay isa sa aming mga pangunahing priyoridad.
Sa kaibuturan, nagtakda kami ng napakaraming hindi kilalang data na sumasaklaw sa limang taon ng mga kampanya sa advertising na tumatakbo sa platform ng advertising ng Meta para sa aming mga kliyente. Gamit ang proprietary AI technology na binuo namin, ginagamit ang data na ito para tumpak na mahulaan ang mga click-through rate (CTR) at conversion rate (CR) ng mga banner sa advertising, kasama ang isang heatmap na nagha-highlight sa mga visual na bahagi na nagtutulak sa pakikipag-ugnayan ng customer at pagbili ng produkto.
Sa pamamagitan ng pagsasama ng visual at textual na data na hawak namin, pagsasama-sama ng aming mga in-house na multimodal na modelo para sa hula sa pagganap ng ad creative sa kapangyarihan ng mga LLM, ginawa namin ang system na bumuo ng mga naaaksyunan na rekomendasyon para sa mga kliyente. Sinasaklaw nila ang mga archetype ng brand ng kakumpitensya, outreach ng audience, content at mga pampromosyong snapshot, na inihahatid bilang isang real-time na digest. Nagbibigay-daan ito sa aming mga kliyente na pinuhin ang kanilang mga diskarte, pagbutihin ang mga malikhaing asset at manatiling nangunguna sa isang mahigpit na mapagkumpitensyang merkado.
Ang pagsasama-sama ng mga LLM sa in-house na AI sa ganitong paraan ay hayaan tayong bumuo ng bagong aplikasyon sa industriya ng martech na hindi magiging posible kung wala ang mga LLM. Ang mga kakayahan na ito ay hindi rin madaling ma-replicate. Gumagamit kami ng mga LLM upang komprehensibong ilarawan ang industriya ng digital marketing, at ang kumbinasyon ng pagmamay-ari na data at mga algorithm ng paghula ng CTR ay ginagawang lubos na katangi-tangi at mahirap kopyahin ang system, na itinatakda ito sa mga kakumpitensya.
Paano dapat ang isang LLM-backed startup pitch sa VCs?
Kung mamumuhunan sa mga LLM ay nananatiling isang pansariling desisyon, at iba ang pagtitimbang nito ng mga mamumuhunan. Ang isang payo ay nananatiling may kaugnayan, gayunpaman: kapag nagtatayo ng isang startup, i-back up ang iyong mga claim gamit ang pagmamay-ari na teknolohiya, mahalagang IP at isang bihasang koponan na nakatuon sa tagumpay, lalo na sa maagang yugto.
Ang paglampas sa ibabaw ay mahalaga. Kung ang team ay nagpapakita ng promising expertise at isang pananaw na higit pa sa isang API call lang, tiyak na gugustuhin ng mga VC na galugarin ang iyong kumpanya nang mas malalim.
Sa pagsasagawa, nangangahulugan iyon na dapat sagutin ng pitch ang apat na tanong nang malinaw: anong data ang pagmamay-ari mo na hindi makukuha ng iba, kung ano ang binuo mo sa ibabaw ng modelo, kung ano ang nagpoprotekta sa gawaing iyon, at kung bakit ang iyong team ang gagawa nito. Ang aming sariling diskarte sa unang dalawa ay inilarawan sa mga peer-reviewed na papel sa SOMIN research page, at ang parehong data ng kategorya ay batay sa SOMIN's AI marketing agents.
Kaugnay na babasahin
- Paano magagamit ng mga negosyo ang large language model lampas sa mga chatbot?
- Proprietary data ng agency: bakit mas mahalaga ang category data kaysa sa mas magandang prompt
- Ano ang creative clickability, at mahuhulaan ba ito bago gumastos?
- SOMIN pananaliksik: peer-reviewed mga papeles at mga pag-uusap
- Mga ahente sa marketing ng AI ng SOMIN
FAQ
Maaari bang maipagtanggol ang isang startup na binuo sa isang third-party na LLM?
Oo, kung nagmamay-ari ito ng isang bagay na hindi maaaring kopyahin ng provider ng modelo at mga karibal. Ang pagmamay-ari na data, protektadong IP, mga in-house na modelo at kadalubhasaan sa domain ay nagpapalawak ng kalamangan sa kabila ng pinagbabatayan na LLM.
Bakit napakahalaga ng pagmamay-ari na data sa mga VC?
Ang natatanging data ay humahadlang sa mga kakumpitensya na may mas maraming pondo o mas malakas na mga team ng teknolohiya, dahil hindi nila ito basta-basta makopya. Nagbibigay din ito ng insight sa startup sa mga pattern, pag-uugali ng customer at mga uso sa merkado.
Dapat bang bumuo ng sariling modelo ng wika ang isang startup na sinusuportahan ng LLM?
Hindi sa simula. Ang isang praktikal na landas ay palakasin ang iyong pagmamay-ari na data at teknolohiya gamit ang mga kasalukuyang generative na modelo, pagkatapos ay tumingin sa isang in-house na LLM kapag napatunayan na ang product-market fit.
Ano ang gustong makita ng mga VC sa pitch ng isang startup ng LLM?
Pinagmamay-ariang teknolohiya, mahalagang IP at isang sanay, nakatuong koponan, lalo na sa maagang yugto. Higit sa lahat, naghahanap sila ng kadalubhasaan at isang pananaw na higit pa sa isang tawag sa API.
