Evaluer un business en IA. (episode 1) 

En raison de l'essor du secteur de l'IA et du nombre croissant de différentes applications basées sur l'IA, il peut être difficile d'évaluer les startups et de déterminer la pertinence d'un investissement ou même d'un partenariat. Malgré le battage médiatique autour des applications d'IA, beaucoup d'entre elles sont encore en phase de recherche et de développement, et l'évolutivité, (la “scalabilité”/ mise à l’échelle) est souvent sous-estimée dans les business d'IA. La réalité est que la plupart des projets d'IA échouent encore.
Le chemin du succès pour les startups d'IA est loin d'être linéaire. De nombreux éléments peuvent entraver la capacité d'une équipe à fournir des résultats tangibles en matière d'IA.

Pour aider les décideurs, nous avons répertorié les problèmes les plus fréquents ayant un impact sur les startups d'IA et les solutions à y apporter. Qu'il s'agisse d'identifier le bon modèle économique, le prochain défi à surmonter dans le développement de l’activité ou d'évaluer parfaitement le potentiel d'une startup d'IA, nous avons également créé une liste de recommandations qui vous aideront à orienter vos prochaines décisions.

Grâce à cet article, les investisseurs et les entrepreneurs en IA peuvent découvrir des cas d'utilisation de startups d'IA "orientées recherche" et "orientées application" qui ont réussi à surmonter les problèmes récurrents basés sur l’IA et à attirer des investisseurs. 

Deux très grandes variables : la maturité et le secteur. 
Puisque toutes les startups d'IA ne sont pas les mêmes selon le stade développement de la startup, nous aimons à distinguer 6 phases de développement non linéaires : 
● phase 1.R&D/Exploration, c’est une phase de recherche exploratoire 
● phase 2.Concept, une proposition de valeur qui interesse ●  
● phase 3.Go to market (ou pré-product market fit) trouver le bon marché et créé sa première traction
● phase 4.Grow on market (ou post-product market fit) se développer sur le marché trouvé
● phase 5. Scale : La mise à l’échelle de l’activité qui permet rendre extensible l’organisation pour qu’elle puisse supporter les pics de croissance  
● phase 6.Expand : L'expansion de l’activité à une nouvelle verticale ou un nouveau marché 
Chacun de ces étapes demandera des mécaniques différentes de développement de croissance. C'est ce que nous faisons chez CatapulZ, aider à les mettre en oeuvre.
Puis les particularités sectorielles sont multiples, nous avons sélectionné des cas d'utilisation dans différents domaines et industries. En effet, certaines industries s'avèrent plus difficiles en matière de gestion des données, de positionnement des produits et d'attentes des clients (l’appréhension de la donné ne sera pas la même dans la santé et dans l’immobilier par exemple).

Nos recommandations s'appliquent à tous les différents types d'activités d'IA, ici, listés :
● Données et connaissances : Données massives, compréhension des graphiques, données synthétiques, représentation des connaissances.
● Apprentissage à partir de l'expérience : Apprentissage par renforcement (Reinforcement Learning), Apprentissage à partir des données et du retour d'expérience
● Raisonnement et planification : Représentation du domaine, optimisation, raisonnement sous incertitude et contrainte temporelle.
● Interaction sécurisé entre l'homme et l'IA : Symbiose entre agents, IA explicable
● Systèmes multi-agents : Simulation multi-agents, négociation, théorie des jeux et du comportement, design de mécanismes.
● IA sécurisée et privée : apprentissage fédéré, cryptographie, calcul multipartite sécurisé.
● Langage machine et vision : Perception, compréhension d'images, technologies du langage

Au cours de cette série d’articles, nous nous attacherons à rentrer dans tous les défis de développement d’un business lié à l’intelligence artificielle : 
les 4 premiers épisodes passeront en revue :
1. A propos de l'équipe : Analyser les antécédents de l'équipe n'est pas suffisant, la mécanique d’apprentissage est plus importante
2. Pseudo IA & l'état d'esprit "Fake it until you make it" : une mécanique saine qui poussa à trouver un débouché à l’IA avant sa maturité
3. Avantage concurrentiel et environnement open source de la science des données: aller au delà de l’algo 
4. Le caractère unique et la mécanique d’acquisition de la donnée, des critères clés pour le futur développement du business

Les épisodes à venir :
5. Dépendance au temps 6. Confidentialité des données, biais et réglementations7. Extensibilité et précision8. Preuve de concepts et production9. Importance de la maintenance de l'IA et de la préparation des données10. Structure des coûts 11. Sous-estimation des metrics du Business12. Au-delà des mots à la mode - Expliquer la valeur ajoutée de l'IA13. Etiquetage des données14. Modèle d'affaires