7 Best Practice-fremgangsmåder til kommercialisering af AI i videregående uddannelser

Dr. Gareth Conduit fra Intellegens Ltd

Best Practice AIs Tim Gordon blev inviteret til at være formand for Westminster Briefing's (@WestminBriefing) begivenhed om kommercialisering af kunstig intelligens og nye teknologier i højere uddannelse i sidste uge. Samlerne fra regerings-, universitets- og brancheeksperter om teknologioverførsel mellem akademia og industri producerede panelerne livlige diskussioner om, hvordan Det Forenede Kongerige bedst kan udnytte fordelene ved dets verdensinstitutioner for kunstig intelligens (AI) og maskinundervisning (ML). Paneldeltagere inkluderede Alice Frost fra Research England (@ResEngland), Tim Cook fra regeringens kontor for kunstig intelligens (@OfficeforAI), Don Spalinger fra SETsquared ved University of Southampton (@setsquared), Dr. Brendan Ludden fra Oxford University Innovation (@ OxUInnovation), Dr. Gareth Conduit fra Intellegens Ltd (@intellegensai) og Best Practice AIs egen Simon Greenman (@BestpracticeAi). Fra diskussionen tog vi bort 7 bedste praksisundervisning om kommercialisering af universitets AI-forskning.

1. Universiteter skal være kernen i Storbritanniens industrielle fremtid

Det er en almindelig observation, at Det Forenede Kongerige har været stor til at komme med ideer og dårlige til at kommercialisere dem. Alice Frost, direktør for vidensudveksling citerede Stian Westlakes bemærkning om, at de fleste lande i Vesten har et lignende perspektiv, herunder amerikanerne ...

I en verden, hvor AI-rivaliseringen mellem Kina og USA ligner en ny arme løb i den kolde krig, er en af ​​Storbritanniens stærkeste konkurrencedygtige differentierere kvaliteten af ​​vores universitetsproduktion. Investering i dette er med rette en national prioritet: som Tim Cook mindede os om, bekræftede kansleren for nylig finansiering til 1.000 nye AI-ph.d.er (potentielt betydningsfulde i en verden, hvor det hævdes, at kun 22.000 mennesker har den nuværende færdighed til at levere AI). Imidlertid samles meget af dette talent op af de (amerikanske) tech-giganter, og hvis Storbritannien ikke bare ønsker at være en systemtager i den nye AI-verden, er vi nødt til at hjælpe så mange nye britiske AI-virksomheder dukke op som muligt fra vores universiteter. En stille samtale om universitetskommercialisering ligger faktisk i hjertet af Storbritanniens ambition for det 21. århundrede.

2. At finde produkt / markedstilpasning (det kritiske første trin) har brug for forretningshjerner såvel som tekniske

Det er svært at opfinde en ny teknologi. At overbevise brugere og købere, hvorfor det betyder noget, kan være lige så hårdt. I AI's verden er det ikke nok at udvikle en ny teknik - Simon Greenman forklarede, at det er nødvendigt at gifte sig med dyb data og domæneekspertise for at oprette en applikation, der muligvis har en bæredygtig IP. På nogle måder er denne søgning efter et problem, der skal løses, og dataene til at løse det, den største udfordring for enhver iværksætter. Derfor er forretningsindstillede mennesker nødt til at være en del af processen så tidligt som muligt. Dette kan ske ved en tilfældighed (nogle akademikere er naturligvis iværksætteri), eller universiteter kan hjælpe med at opbygge processer til støtte for dette.

3. "Dødens dal" har mange ruter ud af den

"Dødens dal", som beskrevet af Don Spalinger, er udfordringen med at tage et produkt til at markedsføre og opbygge bæredygtige indtægter. Virksomheder kan løbe tør for kontanter og dø. Her er fleksibilitet nøglen. Der er ikke kun en måde at kommercialisere de AI-kapaciteter, der er udviklet på universiteter, og det er nødvendigt at undersøge, hvilken vej der er bedst egnet til sikkert at bære teknologien over dalen. Er det licensering? Opretter du en spin-out? Ønsker de involverede forskere at være iværksættere, eller er der eksterne partnere, der kan bringes ind for at tage sig af de forretningsmæssige aspekter?

4. Det kræver et økosystem at komme på markedet

Vi hørte fra Dr. Gareth Conduit, en succesrig iværksætter fra University of Cambridge, om hvordan hans virksomheds start blev muliggjort af en række støttende kolleger og adgang til universitetets "rolodex" af forretningsengle. Det etablerede tech-knudepunkt omkring Cambridge har helt klart skabt en stærk styrkemultiplikatoreffekt, men alle universiteter bør være på udkig efter at oprette lignende netværk. En idé er at forbinde med alumner for at få dem til at hjælpe med at befolke et sådant netværk.

5. Værdien er i brugssagen snarere end teknologien

Det er kombinationen af ​​data og teknik, ofte med dyb domæneekspertise, der er værdipropositionen for AI. Det team, der har dataene, og det team, der har evnen til at anvende AI og kommercialisere det resulterende produkt, er ofte forskellige. Dette gælder især inden for områder som sundhedsvæsen, hvor datasæt af scanninger og billeder er mærket af kvalificerede teknikere og medicinske specialister, men er nødt til at samarbejde med eksperter i maskinlæring for at udvikle AI-systemer til automatisk diagnose.

Maskinindlæringsteknikker kan vidt bruges på tilsyneladende ikke-relaterede felter. En teknik, der er udviklet til en bestemt brugssag, kan have flere andre, og derfor er det vigtigt at opdage den bedste produkttilpasning og marked til at anvende teknikken. Opdagelse af levedygtige produkter kan gøres ved at samarbejde med virksomheder og eksterne partnere om deres specifikke behov. Det er kritisk at identificere forretningsforslaget til implementering af AI-løsningen - virksomhederne ønsker at vide nøjagtigt, hvordan dette kan forbedre deres drift, indtægtsstrøm, reducere omkostninger og så videre.

Ved at anvende den samme teknik på forskellige domæner kan projekter finde alternative finansieringskilder og indtægter, især for dem med lang markedstid. Se for eksempel guide til Best Practice AI 3:10 til maskinlæring for at forstå, hvordan slutmålet for brugeren aktiverer dets brede muligheder og tjek Best Practice AI-biblioteket med 600+ brugssager.

6. Deling af hovedet kan være komplekst: Tænk igennem IP-reglerne (og papirarbejde) på forhånd, men vær fleksibel på aktier

Technology Transfer Offices (TTO) på universiteterne har en tendens til at være små og strækkede, og med hensyn til nye teknikker som maskinlæring er der muligvis ikke standardiseret bedste praksis endnu. På grund af AI's art fungerer de sædvanlige IP-beskyttelsesmetoder ikke nødvendigvis på samme måde. Hvad der kan have været bedste praksis for patentering af teknik, overføres ikke nødvendigvis til AI, og TTO'er bliver nødt til at afgøre, hvad det er. To vigtige første trin er at sikre, at alle arbejder efter en fælles ramme for bedste bestræbelser, og at forfatterskab noteres på hvert trin i udviklingsprocessen.

Egenkapital forbliver et bredt diskuteret emne, men den centrale meddelelse er, at fleksibilitet er kritisk. En taler rapporterede, at universiteter i Storbritannien typisk tager 30-70% af egenkapitalen i deres spin-offs, og i USA varierede det fra 0–100%. I begge lande var gennemsnittet imidlertid omkring 45%. Gyldne 5% -andele (beskyttelse mod fortynding) var attraktive, men kan også have begrænsninger, herunder rejse spørgsmålet om, hvorfor den akademiske institution skal have en overlegen andel af andelen til stifterne. Uundgåeligt er det værd at bemærke, at en lille andel af en stor cirkel normalt er værd at være langt mere end alt sammen en lille cirkel - koncentrer dig om at dyrke cirklen og ikke krænke om procentdel.

7. AI-værktøjer har brug for materiale til at arbejde på: Universiteters virkelige potentiale ligger i interdepartemental interaktion

Det tager en kombination af adgang til virkelige problemer, samarbejde med domæne- og AI-specialister og adgang til investorer og rådgivere for at bringe forskning til kommercialisering.

Der er stor fordel og gevinster ved samspillet mellem datalogi og andre STEM-afdelinger samt humaniora og samfundsvidenskabsfolk. Maskinindlæringsteknikker kan anvendes til en lang række forskningsproblemer, fra teknisk opdagelse af materialemateriale til oprindelsesopdagelse i kunsthistorien. Tværfagligt vedtagelse af maskinlæring kan identificere nye anvendelsessager, gyldige datasæt og kommercialiserbare teknikker og produkter. Problemer, der skal løses, og data, der skal løses dem, kombineret med ekspertise til at finde ud af, hvad der betyder noget, og hvad der kun er korrelation (eller agn), er gristen til en velfungerende AI-mølle.

Måske er dog lige så vigtigt muligheden for at engagere sig i andre perspektiver på, hvordan sådan teknologi kan påvirke arbejdsøkonomien, de juridiske og etiske konsekvenser af dataindsamling og behandling, og hvordan sociale værdier kan afspejles i dens styring. Som enhver anden videnskab er AI hverken skabt eller eksisterer i en boble - det påvirkes af, interagerer med og påvirker samfundet. Som Dr. Brendan Ludden fra Oxford University påpegede, kan det være nødvendigt at imødegå den teknologiske mantra ved at bevæge sig hurtigt og bryde ting med den opfattelse, at nogle ting ikke bør brydes.

Best Practice AI er en London-baseret butiksledelse, der hjælper virksomheder, SMV'er, den offentlige sektor og private equity med at implementere deres AI-planer. Deres mission er at afmystificere AI og fremskynde dens vedtagelse. Best Practice AI-biblioteket er en gratis ressource, der indeholder verdens største samling af forretningsbrugssager (600+) og casestudier (1000+) organiseret i 40+ industrier, 60+ funktioner og 60+ lande. Biblioteket er designet til at hjælpe ledere med at besvare spørgsmål om, hvad AI er, hvordan det anvendes i dag, og hvordan det kan implementeres i din organisation.