۱۰ درسی که از ساخت چند استارتاپ AI محور یاد گرفتم

در طی چند سال گذشته، فرصت این را داشته‌ام که به‌عنوان بنیان‌گذار، مدیر یا توسعه‌دهنده‌ی اصلی در چندین استارتاپ حوزه‌ی هوش مصنوعی (AI) فعالیت کنم. این سفر پرفرازونشیب – از ایده‌ی خام تا محصول نهایی – برای من همواره یک کلاس درس فشرده بوده است. هر پروژه (از جمله برخی پروژه‌های شخصی مانند دکتر سوشیال، نبراس، چی‌چی، کندو، خشت، چاشنی، داریک ، ربات معامله‌گر هوش مصنوعی ، مهندسی معکوس پهپاد و… ) چالش‌ها و درس‌هایی ویژه‌ی خود را به همراه داشت. می‌خواهم ۱۰ درس مهم و کاملاً کاربردی را که در این مسیر آموخته‌ام با شما به اشتراک بگذارم. این درس‌ها نه تنها برای متخصصان فنی، بلکه برای عموم علاقه‌مندان، دانشجویان، برنامه‌نویسان و کارآفرینان نیز قابل درک و مفید خواهد بود. امیدوارم تجربه‌های من بتواند به شما در سفر توسعه و ساخت کسب و کارتان کمک کند.

درس اول: داده ی تمیز ، حکم طلا را دارد!

توسعه مدل ها و پروژه های هوش مصنوعی سه رکن اصلی دارند : انبوه داده ی تمیز ، زیرساخت سخت افزاری مناسب و الگوریتم بهینه.

هیچ سامانه‌ی هوش مصنوعی بدون داده‌ی مناسب و تمیز نمی‌تواند عملکرد خوبی داشته باشد. داده‌های باکیفیت به منزله‌ی سوخت موتور AI هستند؛ اگر سوخت ناخالص یا ناکافی باشد، موتور هرچقدر هم پیشرفته باشد، به درستی کار نخواهد کرد. تجربه به من نشان داد که صرف زمان و منابع برای جمع‌آوری، پالایش و برچسب‌گذاری دقیق داده‌ها یک سرمایه‌گذاری ضروری است. کیفیت خروجی مدل‌های یادگیری ماشینی مستقیماً به کیفیت داده‌های آموزشی وابسته است. به بیان ساده‌تر: «آشغال بدهی، آشغال تحویل می‌گیری!» (Garbage in, garbage out).

در یکی از پروژه‌ها ، که یک ربات معامله‌گر هوش مصنوعی برای بازارهای مالی بود، اهمیت داده‌های باکیفیت را به‌خوبی لمس کردیم. ابتدا مدل‌ها را با داده‌های خام و نویزی از معاملات گذشته آموزش دادیم. نتیجه ناامیدکننده بود؛ سیستم سیگنال‌های اشتباه می‌داد و رفتار بازار را درست پیش‌بینی نمی‌کرد. پس از تحلیل متوجه شدیم مشکل از کیفیت داده‌هاست. تیم ما مدت قابل‌توجهی را صرف پاکسازی داده‌ها، حذف موارد نادرست و خارج از محدوده‌ی معمول و یکدست‌سازی فرمت اطلاعات کرد. همچنین داده‌های بیشتری از منابع معتبر جمع‌آوری کردیم تا مجموعه‌ی آموزشی غنی‌تر شود. این بهبود داده‌ها تأثیر چشمگیری داشت: دقت پیش‌بینی‌های ربات معامله‌گر ما افزایش یافت و تصمیمات به‌مراتب معقول‌تری می‌گرفت. این تجربه به من آموخت که در یک استارتاپ AI محور، قبل از هر چیز باید به فکر تامین و بهبود کیفیت داده‌ها بود، حتی اگر وسوسه شویم مستقیماً به سراغ معماری‌های مدل برویم. داده‌ی خوب پایه‌ی موفقیت در همه‌ی مراحل بعدی است.

درس دوم: سریع لانچ کن ، بساز ، بیازما ، اصلاح کن

در دنیای استارتاپ، آزمایش و لانچ سریع یک مزیت رقابتی بزرگ است. ایده‌ها تا زمانی که اجرا و آزمایش نشده‌اند، بیش از حد تئوریک و فرضی باقی می‌مانند. هرچه زودتر یک نمونه‌ی اولیه (MVP) از محصول خود بسازید و به دست کاربران برسانید، زودتر می‌توانید بازخورد واقعی بگیرید و مسیرتان را اصلاح کنید. لانچ سریع به معنای ارائه‌ی یک محصول ناپخته نیست، بلکه یعنی با حداقل قابلیت‌های لازم وارد بازار شوید و در عمل بیازمایید ایده‌ی شما چقدر ارزشمند است. زمان در عرصه‌ی فناوری حیاتی است؛ اگر زیاد در اتاق فکر بمانید، ممکن است فرصت از دست برود یا رقیبان از شما جلو بزنند.

راه‌اندازی یک محصول پایان کار نیست؛ در واقع آغاز مرحله‌ی اعتبارسنجی مداوم است. بازار و نیازهای کاربران همیشه در حال تغییرند و فرضیات ابتدایی ما ممکن است درست از آب درنیاید. یک استارتاپ موفق باید مرتباً فرضیه‌های خود را بسنجد، عملکرد ویژگی‌های محصول را اندازه‌گیری کند و بازخورد کاربران را به‌طور پیوسته جمع‌آوری نماید. اعتبارسنجی مستمر به این معناست که هرگز نباید فکر کنیم «کار تمام شده است»؛ بلکه باید دائماً بپرسیم: آیا مشکلی که قرار بود حل کنیم واقعاً حل شده؟ آیا کاربران از راه‌حل ما راضی‌اند؟ چه چیز را می‌توان بهتر کرد؟ این چرخه‌ی Build-Measure-Learn (بساز-اندازه‌ بگیر-یاد بگیر) در متدولوژی Lean Startup دقیقاً بر همین اساس بنا شده است.

ما این اشتباه را در پروژه‌ی «چاشنی» مرتکب شدیم. چاشنی قرار بود یک بازارگاه ساخت و فروش ترکیبات حرفه ای سس و ادویه باشد. اما به جای آن‌که سریع یک نسخه‌ی ساده عرضه کنیم، مدت‌ها صرف توسعه‌ی قابلیت‌های پیچیده کردیم. می‌ساختیم و می‌ساختیم، بی‌آن‌که بازخوردی از کاربر واقعی بگیریم. نتیجه؟ بعد از لانچ متوجه شدیم بسیاری از قابلیت‌هایی که با دقت ساخته بودیم اصلاً برای کاربر مهم نبودند. در عوض نیازهایی وجود داشت که ما حتی به آن‌ها فکر نکرده بودیم! این تجربه تلخ، درس بزرگی شد: MVP یعنی محصولی با حداقل قابلیت‌های لازم برای سنجش ارزش واقعی. لانچ سریع نه‌تنها زمان و هزینه را کاهش می‌دهد، بلکه مسیر درست را هم نمایان می‌کند.

درس سوم: شجاعتِ به موقع کشتن!

گاهی اوقات شجاع‌ترین تصمیم، ادامه ندادن است. یکی از درس‌های مهم من این بود که باید بتوانیم در زمان مناسب یک پروژه را متوقف کنیم، اگر نشانه‌های کافی وجود دارد که موفق نخواهد شد.

پروژه‌ی «خشت» دقیقاً چنین تجربه‌ای بود. ایده اولیه‌ی ما ساخت یک پلتفرم خرید و فروش ملک به‌صورت متری مبتنی بر بلاکچین بود. در نسخه‌های اولیه پیشرفت خوبی داشتیم، اما ناگهان سازمان فرابورس اعلام کرد که فروش متری ملک تنها در اختیار آن‌هاست و فقط به ۱۰ شرکت مجوز داده‌اند (که آن هم به بازیگران بزرگ!! رسیده بود). متوجه شدیم فضای قانونی به‌قدری محدود است که شانسی برای رقابت یا رشد نداریم. به‌جای جنگیدن با رگولاتور، تصمیم گرفتیم پروژه را سریع و بدون تعلل متوقف کنیم. این تصمیم، گرچه سخت بود، اما مانع از هدر رفتن منابع بیشتر شد. گاهی لازم است بپذیری که «نه» گفتن به ادامه، گاهی یک پیروزی است!

درس چهارم: وقتی ظاهر ، باطن را نجات میدهد!

حتی هوشمندترین فناوری‌ها اگر تجربه کاربری (UX) خوبی نداشته باشند، نمی‌توانند مخاطب را جذب کنند. طراحی رابط کاربری (UI) و تجربه‌ی کاربری، پل ارتباطی میان کاربران و هسته‌ی فنی محصول شماست. در یک استارتاپ AI محور، گاهی تیم بیش از حد بر مدل‌ها و دقت الگوریتم تمرکز می‌کند و فراموش می‌کند که کاربر معمولی لزوماً از پیچیدگی‌های فنی سر در نمی‌آورد؛ او فقط یک محصول روان، قابل‌فهم و جذاب می‌خواهد. یک UX/UI ضعیف می‌تواند تلاش‌های فنی شما را تحت‌الشعاع قرار دهد. در مقابل، طراحی کاربرپسند می‌تواند حتی نقص‌های فنی جزئی را هم بپوشاند، چون کاربر از کار با محصول احساس خوبی می‌گیرد. بنابراین، باید از همان ابتدا به طراحی انسان‌محور توجه ویژه داشت: سادگی در عین زیبایی، وضوح در عین قدرت.

یکی از استارتاپ‌هایی که روی آن کار می‌کردیم، یک بازار آنلاین برای مواد ارگانیک و سالم به نام کندو بود که خریداران و فروشندگان را به هم متصل می‌کرد. در ابتدای کار، تمرکز اصلی ما ایجاد یک موتور پیشنهاددهنده‌ی هوشمند برای محصولات بود تا کاربران بتوانند کالاهای مورد علاقه‌شان را سریع‌تر پیدا کنند اما مشکلی که در نسخه‌ی آزمایشی مشاهده کردیم این بود که کاربران به سختی می‌توانستند با سایت کار کنند؛ رابط کاربری پیچیده و شلوغ بود و تجربه‌ی خوشایندی ارائه نمی‌داد. این مسأله باعث می‌شد علی‌رغم کیفیت فنی، بسیاری از کاربران در همان استفاده‌ی اول دلسرد شوند. پس از دریافت این بازخوردها، ما تصمیم گرفتیم طراحی کندو را از پایه بازنگری کنیم. با کمک یک طراح UX/UI مجرب، رابط کاربری را ساده‌تر، مینیمال‌تر و سازگار با عادات کاربران بازطراحی کردیم. همچنین گردش‌های کار (Flow) را بهبود دادیم تا مثلاً فرآیند جستجو و خرید در کمترین کلیک ممکن انجام شود. نتیجه شگفت‌انگیز بود: نرخ ماندگاری کاربران و میزان خرید موفق به‌طرز محسوسی افزایش یافت. این تجربه مهر تأییدی بود بر اینکه یک طراحی کاربرمحور و جذاب به اندازه‌ی فناوری پشت صحنه مهم است. درسی که گرفتم این بود: برای موفقیت یک محصول ، لازم است چشم یک کاربر عادی را قرض بگیریم و از دید او به محصول بنگریم، نه فقط از دید یک مهندس.

درس پنجم: لبه ی علم ، لبه ی رقابت!

حوزه‌ی هوش مصنوعی بسیار پویا و پرتغییر است. هر ماه روش‌ها، مدل‌ها و حتی ابزارهای جدیدی معرفی می‌شوند که می‌توانند ورق را به نفع شما یا رقیبانتان برگردانند. یکی از درس‌های مهم برای من رصد مداوم جدیدترین روندهای تحقیقاتی و فناوری‌های روز بوده است. اگر در لاک خود فرو بروید و به دانش فعلی‌تان اکتفا کنید، ممکن است از قافله عقب بمانید. یک استارتاپ موفق باید پلی میان تحقیقات آکادمیک و محصول تجاری باشد؛ یعنی بداند در لبه‌ی دانش چه می‌گذرد و چگونه می‌توان دستاوردهای نوین را به خدمت محصول درآورد. البته این به معنای استفاده‌ی بی‌هدف از فناوری‌های جدید نیست، بلکه باید هوشمندانه تشخیص دهید کدام ترند برای کسب‌وکار شما ارزش افزوده دارد. به بیان دیگر، همواره یادگیرنده‌ی مادام‌العمر باشید و آگاهانه نوآوری کنید.

در پروژه‌ی نبراس که یک پلتفرم مشاوره بازارگردی و بازدید نمایشگاهی مبتنی بر هوش مصنوعی بود، این درس را به خوبی تجربه کردیم. ما کارمان را با روش‌های مرسوم یادگیری ماشین آغاز کردیم؛ در آن زمان مدل‌های کلاسیک‌تر NLP (پردازش زبان طبیعی) را به کار گرفتیم که برای نیاز اولیه‌مان کفایت می‌کرد. اما در میانه‌ی راه، دنیای هوش مصنوعی با ظهور مدل‌های تحول‌آفرینی چون BERT و بعدها GPT متحول شد. تیم ما می‌توانست به راه قبلی خود ادامه دهد و محصولی متوسط ارائه کند، ولی ما تصمیم گرفتیم ترندهای جدید تحقیقاتی را دنبال کنیم. ماه‌ها وقت گذاشتیم تا مقالات جدید را بخوانیم، در کارگاه‌های علمی شرکت کنیم و با محققان این حوزه مشورت کنیم. نتیجه این شد که نبراس به جای یک موتور تحلیل متن معمولی، به یک پلتفرم پیشرفته با توانایی درک زبان انسانی (در حد قابل توجهی بهتر از قبل) ارتقا یافت. برای مثال، ما مدل اولیه‌ی دسته‌بندی متون را با یک مدل مبتنی بر معماری ترنسفورمر جایگزین کردیم که دقت تحلیل احساسات کاربران را دو چندان کرد. البته این کار بدون زحمت نبود و چالش‌هایی مثل افزایش نیاز محاسباتی و پیچیدگی پیاده‌سازی را به همراه داشت، اما ارزشش را داشت. آموختم که اگر می‌خواهیم استارتاپ‌مان در لبه‌ی رقابت باقی بماند، باید همیشه یک چشممان به تازه‌های مقالات علمی باشد. ترکیب هوشمندانه‌ی تحقیق و اجرا همان چیزی است که برتری بلندمدت را رقم می‌زند.

درس ششم: انعطاف‌پذیری در مسیر!

خیلی به ندرت پیش می‌آید که یک استارتاپ دقیقا همان مسیری را برود که روز اول بنیان‌گذارانش تصور می‌کردند. تغییر اجتناب‌ناپذیر است و انعطاف‌پذیری در مسیر رمز بقا. بازار ممکن است واکنش متفاوتی نسبت به پیش‌بینی‌های ما نشان دهد، نیاز مشتریان ممکن است در عمل چیز دیگری باشد، یا شرایط رقابتی و فناوری دستخوش تغییر شوند. یک کارآفرین موفق باید آماده‌ی پیوت (Pivot) باشد؛ یعنی زمانی که شواهد نشان می‌دهد راهبرد فعلی جواب نمی‌دهد، شهامت تغییر جهت را داشته باشد. این تغییر جهت می‌تواند کوچک (مثلاً تغییر یک ویژگی محصول) یا بزرگ (تغییر مدل کسب‌وکار یا بازار هدف) باشد. مهم این است که به جای اصرار بر ایده‌ی اولیه، به واقعیت‌ها گوش دهیم و تطبیق پیدا کنیم.

بسیاری از استارتاپ‌ها با یک ایده شروع می‌شوند اما با ایده‌ای دیگر به موفقیت می‌رسند. توانایی تشخیص زمان مناسب برای پیوت (تغییر مسیر) یک مهارت حیاتی است.

پروژه‌ی چی‌چی ابتدا قرار بود یک سایت برای پیشنهاد هدیه باشد – یعنی به کاربران کمک کند که “چی‌چی هدیه بخرم؟” اما در مسیر توسعه، متوجه شدیم که فروشگاه‌های فعال در اینستاگرام نیاز مبرمی به یک دستیار هوش مصنوعی دارند که پاسخگوی دایرکت‌ها باشد، مشاوره خرید بدهد، محتوا تولید کند و تعاملات مشتری را مدیریت کند. ما هم بر اساس این نیاز واقعی، مسیر پروژه را تغییر دادیم. نتیجه؟ چی‌چی اکنون یک ابزار قدرتمند برای فروشگاه‌های اینستاگرامی است و دقیقاً همان چیزی را ارائه می‌دهد که بازار به آن نیاز دارد.

درس هفتم: جادوی همکاری بین‌رشته‌ای!

هوش مصنوعی ذاتاً یک حوزه‌ی میان‌رشته‌ای است؛ از ریاضیات و علوم کامپیوتر گرفته تا روان‌شناسی، جامعه‌شناسی، پزشکی و کسب‌وکار، همگی می‌توانند در موفقیت یک محصول AI محور نقش داشته باشند. یکی از درس‌های کلیدی من اهمیت همکاری بین‌رشته‌ای بوده است. به زبان ساده، شما نمی‌توانید در خلأ صرفاً با دانش برنامه‌نویسی یا مدل‌سازی پیش بروید؛ باید دانش و تجربه‌ی حوزه‌ی کاربرد را نیز وارد بازی کنید. بهترین راه برای این کار، همکاری نزدیک با افراد یا تیم‌هایی از رشته‌های دیگر است. زمانی که متخصصان فنی در کنار متخصصان حوزه‌ای (دامنه) قرار می‌گیرند، جادوی واقعی اتفاق می‌افتد: مسئله بهتر فهمیده می‌شود و راه‌حل مؤثرتری شکل می‌گیرد. ضمن اینکه داشتن دیدگاه‌های متنوع در تیم، خلاقیت و نوآوری را تقویت می‌کند.

یکی از تجربه‌های من در این زمینه، پروژه‌ی داریک بود. داریک یک مدل هوش مصنوعی برای تحلیل بازارهای سرمایه و رمزارزها به شمار می‌آمد. تیم اولیه‌ی ما عمدتاً از مهندسین نرم‌افزار و متخصصان یادگیری ماشینی تشکیل شده بود و ما الگوریتم‌های پیچیده‌ای برای پیش‌بینی روند قیمت توسعه دادیم. با این حال، هنگام ارزیابی نتایج اولیه متوجه شدیم که مدل ما درک عمیقی از Dynamics بازار ندارد؛ گاهی پیش‌بینی‌هایی می‌کرد که از نظر فنی درست به نظر می‌رسیدند اما از دید یک معامله‌گر حرفه‌ای غیرمنطقی بودند. راه‌حل ما این بود که به سراغ همکاری بین‌رشته‌ای برویم. یک تحلیل‌گر ارشد بازار سرمایه و یک کارشناس اقتصاد به تیم ما ملحق شدند. حضور این افراد دید ما را کاملاً باز کرد؛ آن‌ها به ما فهماندند که چه شاخص‌های اقتصادی یا رفتاری در بازار موثرند، چگونه اخبار و رویدادهای جهانی را به داده‌های کمی تبدیل کنیم و حتی چه زمانی بهتر است مدل را از تصمیم‌گیری خودکار بازداریم. ترکیب این دانش حوزه‌ای با توان فنی تیم باعث شد دقت و کارایی داریک به شکل محسوسی افزایش یابد. از تجربه‌ی داریک و پروژه‌های مشابه دریافتم که پل زدن بین رشته‌ها نه‌تنها ارزش محصول نهایی را بالاتر می‌برد، بلکه ریسک شکست را نیز کاهش می‌دهد. اگر می‌خواهید مشکلی واقعی را حل کنید، باید همه‌ی ابعاد آن مشکل را ببینید و این بدون همکاری افراد با تخصص‌های گوناگون ممکن نیست.

درس هشتم: تیم همدل، قلب تپنده‌ی استارتاپ!

پشت هر استارتاپ موفق، یک تیم قوی و همدل ایستاده است. شما هرچقدر هم توانمند و پرتلاش باشید، به تنهایی از پس همه‌ی چالش‌های مسیر برنمی‌آیید. داشتن اعضای تیمی که مهارت‌های مکمل یکدیگر دارند و در عین حال از لحاظ چشم‌انداز با هم هم‌سو هستند، نعمت بزرگی است. من یاد گرفته‌ام که در انتخاب افراد تیم باید بسیار وسواس به خرج داد؛ صرف مهارت فنی یا حرفه‌ای کافی نیست، بلکه باور به مأموریت مشترک، پشتکار و قابلیت اعتماد اهمیت بیشتری دارد. یک تیم همدل در روزهای سخت به‌جای فروپاشی، بیشتر کنار هم می‌مانند و برای حل مشکلات متحد می‌شوند. همچنین وجود فرهنگ ارتباط شفاف و احترام متقابل در تیم، بازدهی را دوچندان می‌کند. به‌طور خلاصه، برای ساختن یک استارتاپ پایدار باید به ساختن تیم به‌عنوان سنگ‌بنا نگاه کرد.

یکی از پروژه هایی که این درس را برایم تثبیت کرد، دکتر سوشیال است. ما در دکتر سوشیال قرار است یک پلتفرم هوش مصنوعی برای تحلیل شبکه‌های اجتماعی و ارائه‌ی مشاوره‌ی بهینه به کسب‌وکارها راه‌اندازی کنیم. ایده جذاب است و بازار بالقوه‌ی بزرگی دارد. اما چیزی که پروژه را زنده نگه داشته، ترکیب افراد تیممان است. به‌عنوان مثال، یکی از اعضا در دکتر سوشیال متخصص بازاریابی دیجیتال است و فهم عمیقی از نیازهای کسب‌وکارهای فعال در شبکه‌های اجتماعی دارد؛ و عضو دیگر تیم در حوزه‌ی مدیریت محصول تجربه خوبی دارد. من نیز به‌عنوان بنیان‌گذار، مدیرعامل و توسعه‌دهنده‌ی بک‌اند و مدل‌های هوش مصنوعی هدایتگر این تیم هستم. این تنوع مهارتی به ما کمک می‌کند تا از همین ابتدا جنبه‌های مختلف محصول (فنی، بازاریابی، تجربه‌ی کاربری) را در نظر بگیریم. از سوی دیگر، چشم‌انداز مشترکی داریم: کمک به کسب‌وکارها برای فهم بهتر مخاطبانشان در فضای مجازی. یادم می‌آید زمان‌هایی که مدل‌های AI آن‌طور که می‌خواستیم جواب نمی‌داد، یا وقتی برای جذب سرمایه دچار مشکل شدیم، همین روحیه‌ی همدلی و ایمان مشترک تیمی بود که باعث شد عقب‌نشینی نکنیم. هرکس به دیگری انگیزه می‌دهد و با تلاش اضافه بخش مشکل‌دار را پوشش می‌دهد. در نهایت، دکتر سوشیال ان شاءالله اولین نسخه‌ی محصولش را با موفقیت به بازار عرضه خواهد کرد، موفقیتی که بدون این تیم همدل و پرتلاش قطعا ممکن نخواهد بود. این تجربه و پروژه‌های مشابه به من نشان داد که استارتاپ‌ها را انسان‌ها می‌سازند، نه ایده‌ها. پس باید در انتخاب، پرورش و حفظ یک تیم خوب، دقت و سرمایه‌گذاری ویژه‌ای کرد.

درس نهم: درد را بشناس ، درمان را بساز!

یکی از دام‌هایی که بنیان‌گذاران استارتاپ‌های فناورانه – به‌ویژه در حوزه‌ی AI – ممکن است در آن بیفتند، شیفته شدن به فناوری به جای تمرکز بر مشکل واقعی است. من هم بارها وسوسه شده‌ام که یک فناوری نوین را صرفاً به خاطر جذابیتش به کار بگیرم، یا پروژه‌ای را شروع کنم چون از نظر فنی هیجان‌انگیز است. اما حقیقت این است که استارتاپ زمانی موفق می‌شود که یک مسئله‌ی واقعی از دنیای واقعی را حل کند و برای کاربران یا مشتریان، ارزش ملموس ایجاد کند. داشتن یک راه‌حل قدرتمند که در جستجوی مشکل بگردد (و به اصطلاح یک “راه‌حل در جستجوی مشکل” باشد) مسیر مطمئنی به سمت شکست است. در عوض، باید از نیاز و درد مخاطب شروع کرد؛ حتی اگر راه‌حل اولیه ساده به نظر برسد. فناوری AI یک ابزار است، نه خود هدف. این ابزار هنگامی به کار می‌آید که در خدمت یک هدف درست استفاده شود.

در یکی از تجربه‌های اولیه‌ام، پروژه‌ای را آغاز کرده بودیم که از نظر تکنولوژی بسیار پیشرفته بود: می‌خواستیم با ترکیب چندین الگوریتم یادگیری عمیق، یک سیستم پیشنهاد‌دهنده‌ی همه‌کاره بسازیم که در هر حوزه‌ای (از فیلم و موسیقی گرفته تا خرید و خبر) بتواند سلیقه‌ی کاربر را حدس بزند. ماه‌ها روی آن کار کردیم و یک نمونه‌ی پژوهشی قوی از آب در‌آمد. اما مشکلی وجود داشت: ما از ابتدا مشخص نکرده بودیم این محصول دقیقاً چه مشکل مشخصی را حل می‌کند و چه کسی حاضر است برای آن پول بدهد. عملاً یک فناوری ساخته بودیم بدون اینکه بازار و کاربرد معینی داشته باشد. پس از مدتی، با بررسی بیشتر و صحبت با چند کاربر و سرمایه‌گذار احتمالی، فهمیدیم که چنین سیستم همه‌جانبه‌ای برای بازار زیاد ملموس نیست؛ در عوض نیازهای بارزتری در حوزه‌های مجزا وجود دارد (مثلاً پلتفرم‌های استریم فیلم نیاز به بهبود خاص در پیشنهاد فیلم دارند یا فروشگاه‌های آنلاین مسئله‌ی موجودی کالا را داشتند). به عبارت دیگر، ما مشکل را درست انتخاب نکرده بودیم. اینجا بود که به اجبار وقفه‌ای ایجاد کردیم و از خود پرسیدیم: دقیقاً چه درد مشخصی را قرار است دوا کنیم؟ این سؤال بنیادین مسیر ما را تغییر داد. به جای یک محصول کلی که برای همه‌چیز و هیچ‌چیز بود، تصمیم گرفتیم روی یک حوزه‌ی مشخص متمرکز شویم؛ و بر اساس همان، فناوری خود را ساده‌تر کرده و فقط بخش‌هایی را نگه داریم که نیاز آن حوزه را برطرف می‌کند. نتیجه این شد که وارد حوزه‌ی پیشنهادگر هدیه شدیم. با این تغییر رویکرد، محصول ما بالاخره مورد توجه قرار گرفت زیرا اکنون یک مشکل واقعی را حل می‌کرد. این درس به قیمتی گران به دست آمد اما برای همیشه در ذهنم حک شد: همیشه اول مشکل را پیدا کن، بعد به دنبال راه‌حل برو. مهم نیست تکنولوژی شما چقدر خفن است، اگر نتواند زندگی کسی را بهتر کند یا نیازی را برآورده سازد، راه به جایی نخواهد برد.

درس دهم: شکست بخور ، ولی جا نزن!

مسیر کارآفرینی پُر از فراز و نشیب است. پشت هر داستان موفقیت، احتمالا چندین شکست و اشتباه نهفته است که کمتر از آن‌ها صحبت می‌شود. واقعیت این است که شکست بخشی از فرایند یادگیری است. هیچ‌کدام از استارتاپ‌های من بدون موانع و حتی گاهی شکست موقت پیش نرفتند. آنچه اهمیت دارد، داشتن پشتکار و توانایی برخاستن بعد از هر زمین خوردن است. پشتکار به معنای اصرار بی‌منطق بر یک راه اشتباه نیست؛ بلکه یعنی از شکست‌ها درس بگیریم، اصلاح مسیر کنیم و با انرژی و دانش بیشتر دوباره تلاش کنیم. گاهی یک استارتاپ به خط پایان نمی‌رسد، اما همان تجربه‌ی شکست‌خورده سکوی پرتاب ایده‌ی بعدی می‌شود. اگر از هر شکست درس نگیریم، آن شکست را هدر داده‌ایم.

یادم می‌آید نخستین استارتاپی که به‌عنوان مؤسس روی آن کار کردم به نتیجه‌ی دلخواهم نرسید. ماه‌ها تلاش و توسعه انجام داده بودیم اما در نهایت مجبور شدیم فعالیت را متوقف کنیم. طبیعی است که آن زمان احساس ناامیدی و سرخوردگی می‌کردم. اما پس از گذشت کمی زمان و بازنگری، متوجه شدم این شکست چقدر آموزنده بوده است. برای مثال فهمیدم که چرا انتخاب بازار هدف‌مان اشتباه بود، یا چه تصمیمات فنی پرهزینه‌ای گرفتیم که می‌شد ساده‌تر انجام شوند. در پروژه بعدی‌ام، دقیقاً با در نظر داشتن همان درس‌ها جلو رفتم و به همین خاطر بسیاری از خطاهای قبلی تکرار نشد. همچنین هر بار در جریان توسعه‌ی یک محصول که با مشکلی جدی مواجه می‌شدیم – مثلاً مدل هوش مصنوعی دقت لازم را کسب نمی‌کرد یا تامین مالی پروژه عقب می‌افتاد – به جای تسلیم شدن سعی کردیم ریشه‌ی مشکل را تحلیل کنیم: آیا نیاز به تغییر استراتژی داریم؟ آیا باید دانش یا مشورت بیشتری کسب کنیم؟ آیا لازم است چند صباحی سخت‌تر کار کنیم یا ویژگی‌های غیرضروری را حذف کنیم؟ با همین طرز فکر، بارها پروژه‌هایی را نجات دادیم که ممکن بود در همان گام‌های اول رها شوند. پشتکار به من و تیم‌هایم این امکان را داد که چشم‌انداز بلندمدت‌تری داشته باشیم و اسیر شکست‌های مقطعی نشویم. مهم‌تر از همه، یاد گرفتم که شکست‌ها را شخصی‌سازی نکنم؛ شکست من به عنوان فرد نیست، شکست یک فرضیه یا یک روش است. می‌توان آن فرضیه را عوض کرد یا روش را اصلاح نمود و دوباره کوشش کرد. این دیدگاه باعث شد شکست‌ها تبدیل به تجربه‌های گران‌بهایی شوند که راه موفقیت‌های بعدی را هموار کردند.

مسیر ساختن یک محصول AI محور سفری پرفرازونشیب اما پربار است. درس‌هایی که در بالا به آن‌ها اشاره کردم – از اهمیت داده‌های باکیفیت و لانچ سریع گرفته تا ارزش همکاری بین‌رشته‌ای و پشتکار – همگی در عمل و طی تجربه‌های واقعی کسب شده‌اند. اگر بخواهم چکیده‌ای از بینش‌های کلیدی را بیان کنم، می‌گویم: روی مشکل درست تمرکز کنید، با یک تیم خوب و داده‌های خوب آغاز کنید، محصول اولیه را هرچه زودتر به دست کاربر برسانید و سپس بی‌وقفه گوش کنید و بهبود دهید. در این راه از جدیدترین دانش بهره ببرید اما اسیر زرق‌وبرق فناوری نشوید. آماده‌ی تغییر مسیر باشید و از شکست‌ها نهراسید؛ آن‌ها بهترین معلمان شما هستند.

لحن رسمی اما دوستانه‌ی این نوشته شاید نتواند هیجان، استرس، خستگی و خوشحالی‌های لحظه‌لحظه‌ی این مسیر را کاملاً منتقل کند، اما امیدوارم نکات مطرح‌شده بتواند برای شما مفید واقع شود. در پایان، باور دارم که کارآفرینی در حوزه‌ی هوش مصنوعی مانند دویدن در یک جاده‌ی در حال تغییر است؛ با هر قدم چیزی جدید می‌آموزید. پس به پیش بروید، بیاموزید و جهان را با ایده‌های خود بهتر کنید!