Про початок власного шляху в deep tech бізнесі, про перешкоди у розвитку, про противагу хайповому generative AI, про головні виклики і про вплив війни на роботу піар-менеджерка Vacuum Deep Tech Acceleration Кристина Рожкова поговорила з Валерієм Василевським, співвласником та головний операційним директором Knowledgator, Revolutionary AI platform for disparate purposes.
- Як прийшла ідея створити стартап Knowledgator?
- Ми з біотех/медичним бекграундом, кожен з нас має досвід наукових досліджень, має уявлення про недоліки сектору охорони здоров’я та застарілість методів роботи з науковими даними. Взагалі, те як, навіть авторитетні вчені проводять дослідження, не сильно відрізняється від картини двадцятого сторіччя. А все, що є на ринку, або занадто дороге, або застаріле. Тому, ми почали розробляти моделі збору та структурування наукових даних для власних дослідницьких цілей, а вже потім побачили їхню актуальність і для інших. Іншим фактором стало наше бачення NLP – галузь штучного інтелекту, пов’язана з екстрагуванням сухої, якісної інформації з тексту. На противагу хайповому generative AI, ми сфокусовані зовсім на інших, менш відомих технологіях, що також виокремлює нас та робить доволі перспективними.
- Наскільки важко просувати новий продукт з нуля? Яку пораду ви можете дати тим читачам, які наразі працюють над брендами власних стартапів?
- Дуже важко. Я не думаю, що компетентний давати поради. Ми досі не маємо сильного бренду, бо не мали ресурсів на його розвиток. Наша компанія – DeepTech, і ми досі на етапі розбудови корових технологій, отриманні великих бізнес-кейсів з відомими компаніями. Для компаній подібних до нашої можу порадити всього 3 речі:
– не завищуйте свою планку, та беріть скільки дають на ранніх стадіях;
– сконцентруйтесь на тому щоб провести найкращий бенчмарк та чітко показати цінність своєї інтелектуальної власності, адже прибутком подібні компанії на ранніх стадіях похвалитись, як правило, не можуть;
– не відволікайтесь на сторонні проекти, та розбудовуйте нетворк, робіть круті бізнес-кейси.
- Як вплинула війна на робочі процеси? Чи вдалось пристосуватись?
- Очевидно, інвестори занижають оцінку, потрібно до цього звикати і сприймати, як норму. Звісно вдалось, адже ми ЖИВІ!
- В чому основна ціль Knowledgator?
- Як і будь-якої адекватної компанії – збудувати стабільний, прозорий, зростаючий, який буде приносити кошти засновникам та інвесторам.
- Яка бізнес-модель Knowledgator?
- Бізнес-модель полягає у продажу нашого програмного забезпечення, на разі, у вигляді API компаніям-клієнтам для сбору, структурування та аналізу даних. По суті, це B2B модель. Окрім цього, ми окремо беремо плату за інтеграцію сервісів, за розбудову knowledge management системи навколо наших технологій.
- Які цілі на майбутнє та масштабування?
- Зараз в принципі мета №1 – це закінчити весь технологічний стек нлпшний і плюс графові технології та Path reasoning. Також закінчити наші дослідження в сфері топологічного глибокого навчання. Загалом, пріоритет зараз R&D. Ну і звичайно, друга частина зараз – збір набуття крутих кейс-стаді з великими фармацевтичними, біотехнологічними компаніями. На разі, ми вже маємо колаборації з американською FDA (Food and Drug Administration), з Enamine Ltd (хімічна компанія). І приоритет зараз вже вийти на західну Big Pharma, отримати 1-2-3 великих кейс-стаді, цим самим показавши значимість нашого API і почати генерувати якийсь адекватний дохід.
- Які, можливо, майбутні проєкти плануються?
- Майбутні проєкти будуть в принципі завжди одноматнітні – це інтреграції наших систем сбору наукових даних, структурування їх у вигляді баз даних типу Knowledge Graph і, звичайно, створення пошукових графових систем на основі Topological Deep Learning і Path Reasoning для найбільших фармацевтичних компаній, взагалі для наукових компаній. Масштабування в терміні 5 років це можуть бути якісь інші кейси, але до цього ми повністю спрямовані на хімічні, фармацевтичні, біотехнологічні компанії, на автоматизацію сбору даних про хімічні речовини, про їхню біоактивність та створення пошукових систем на основі цих даних для покращення R&D наших клієнтів.
- Скільки вже загалом вкладено грошей у стартап Knowledgator?
- Це загалом дуже невелика сума. По суті ми отримали тільки pre-seed round інвестиції від Startup Wise Guys, отримали грант від Українського Фонду стартапів та ще кілька грантів на кредити на сервери від NVIDIA Inception, Microsoft for Startups, AWS від Амазон. Ну і були якісь ще невеличкі гранти, якщо говорити про гроші, то це в районі 100 000 $.
- Скільки наразі людей у команді ?
- Наразі 13 людей, проте ми плануємо скоротити до 8, адже ми плануємо оптимізацію витрат з звʼязку з тим, що ми припинили співпрацю з тими клієнтами, які в нас займають багато оперативного часу і для яких потрібно якісь занадто кастомні унікальні рішення. Ми вирішили сконцентруватися на власному R&D і на розбудові власного продукту.
- Про участь у яких заходах або конкурсах хотіли б розповісти?
- Звичайно, ми брали участь у кількох конференціях, нічого виняткового, але є один дуже унікальний випадок і той, яким ми пишаємося! Це перемога в найбільшому у світі змаганні Biology Challenge за підтримки американської Food and Drug Administration. Ми виграли цей конкурс і створили найкращий метод класифікації наукових статей про медикаментозне ураження печінки. Ми виграли у сильних учасників і створили доволі унікальний власний математично обґрунтований алгоритм для класифікації статей. Це дійсно дуже унікальна річ і це один з наших найбільших кей-стаді.
- Можливо, хочете від себе додати ще якісь цікаві факти про Knowledgator або смішні історії з фейлами?
- Унікальні факти полягають в тому, що ми зовсім не хайпова компанія в плані технологій, які ми розробляємо. Доволі весело слухати історії і пітчі стартапів, які займаються Generative AI заради розробки Generative AI, незрозуміло, яка в цьому суть і яка бізнес-модель, проте це просто хайпова технологія і всі штопають по суті ці трансформери під копірку. Ми зконцентровані на дуже таких вузьких і дуже нових технологічних та наукових нішах, таких як Zero-shot NLP. Вона не настільки нова загалом, вже доволі відома.
Друге – це Path Reasoning (тобто це по суті алгоритм логічного мислення, який ставить за мету не просто статистично шляхом аналізу послідовності токенів в тексті сформувати якийсь адекватний output, а – зімітувати людське логічне мислення для того, щоб виводити output логічно на основі розуміння того, що хоче користувач.)
Ну і звичайно, це Topological Deep Learning – це галузь на межі математики і Deep Learning. Це взагалі сфера, де немає навіть десятка наукових статей на всю сферу, але вона є дуже перспективною сферою! І єдина нам відома компанія, яка цим займається в плані R&D – це Twitter. Більше ми особливо не знаємо, ми сподіваємось, що це в довгостроковій перспективі принесе свої плоди і ми дійсно зможемо зробити найточнішу систему логічного мислення.
- Які головні виклики ви очікуєте на шляху досягнення поставлених цілей?
- Головні виклики зараз полягають в виведенні конкретного продукту з максимально оптимальним функціоналом для таргетної аудиторії. Проблема, як я вже озвучив, полягає в тому, що в наших умовах ринок дуже великий, проте реальна кількість компаній рахується не сотнями тисяч, а тисячами, можливо, навіть десятками. Отже, досить важко і довго не те що йде процес продажів, але навіть банально валідація, проведення UX research і т.д.
Тому головний зараз виклик – це на основі тих реально найкращих в світі за багатьма параметрами технологій, які в нас зараз є і ранніх кейс-стаді, перших партнерств, вивести реально життєздатний продукт. В принципі ця задача є головною в будь-якій компанії, проте в нашому випадку вона є по суті найбільшим челенджем!