Pengarang: Robin

Paparan: Syarikat Terang

！ Baru-baru ini, Dr. Shiv Rao, pengasas dan Ketua Pegawai Eksekutif Abridge, unicorn perubatan AI di Amerika Syarikat, telah ditemu bual oleh CNBC di Amerika Syarikat. Shiv bercakap tentang kedudukan Abridge dalam perkhidmatan perusahaan penjagaan kesihatan dan bagaimana Abridge, aplikasi yang pernah diklasifikasikan sebagai "cangkerang AI", mentakrifkan arah "shell". Shiv Rao juga merupakan pakar kardiologi bukan invasif yang berlatih.

Pada hari-hari awal pembangunan model besar, syarikat "cangkerang AI" juga digelar "orang tengah kelas kedua" kerana mereka "hanya meletakkan antara muka pada teknologi orang lain, dan bukannya bekerja keras untuk mencipta model mereka sendiri". Pada masa itu, dipercayai bahawa satu-satunya cara untuk bersaing dalam bidang AI adalah dengan mengumpul sejumlah besar wang, melabur kuasa pengkomputeran dan menjalankan pra-latihan berskala besar, kesimpulan yang cepat dicerminkan dalam penilaian vendor model besar seperti OpenAI dan Anthropic.

Tetapi itu telah berubah. Ia dengan cepat disedari bahawa nilai tinggi sebenar sedang beralih ke peringkat teratas aplikasi, yang merupakan salah satu sebab mengapa pelabur sanggup membayar premium untuk jenis nilai ini dan memberikan produk yang dipanggil "cangkerang" gandaan penilaian yang lebih tinggi daripada Anthropic dan OpenAI.

Menurut Maklumat, enjin carian AI Perplexity kini dinilai pada 43 kali hasil tahunan, berbanding 0 kali ganda Anthropic dan 0 kali OpenAI. Ini menunjukkan bahawa pelabur lebih yakin dengan kecekapan Perplexity dalam mencapai keuntungan dengan lebih cepat dan menukar pertumbuhan kepada hasil.

Cursor的母公司Anysphere在12個月內實現了超過1億美元ARR（年度經常性收入）。Cursor是由Anysphere開發的AI代碼編輯器。Anysphere的估值在2024年的幾個月內飆升了550%，現在已成為一家vibe-coding領域的“十角獸”。

Sama seperti Perplexity dan Cursor, Abridge ialah syarikat "cangkerang AI" yang memfokuskan pada perbualan perubatan. Produk terasnya ialah AI Scribe, yang menukar perbualan doktor-pesakit kepada nota klinikal berstruktur dalam masa nyata dan disepadukan dengan lancar dengan sistem rekod perubatan elektronik. Produk ini direka untuk mengurangkan beban kertas kerja kepada doktor dan meningkatkan kecekapan dan ketepatan rekod perubatan.

Abridge通過向醫療系統提供訂閱服務獲取收入，公司預計其ARR在2024年達到5000萬美元。Abridge已在美國超過100個醫療系統中部署其AI平臺。

Berikut ialah petikan daripada temu bual, yang disusun oleh Bright Company:

Bagaimana Abridge memahami industri penjagaan kesihatan

Moderator: Mari kita mulakan dengan asas-asasnya. Apa yang Abridge lakukan?

Shiv: Abridge memudahkan kertas kerja doktor dan membolehkan mereka memberi tumpuan kepada orang yang paling penting, pesakit. Kami diasaskan dalam 2018 tahun, jadi kami telah wujud untuk seketika. Semua yang telah kami bina berpunca daripada andaian asas: penjagaan kesihatan berpusatkan orang, dan kami tidak fikir itu akan berubah.

Sentiasa ada dialog antara orang yang berbeza dalam sistem penjagaan kesihatan: di satu pihak adalah seorang profesional seperti doktor atau jururawat, dan di sisi lain biasanya pesakit atau ahli keluarga. Perbualan mungkin timbul di klinik atau bilik pemeriksaan hospital, bilik kecemasan. Perbualan ini sebenarnya adalah huluan daripada banyak aliran kerja yang berbeza dalam penjagaan kesihatan.

Sebagai contoh, jika anda salah seorang pesakit saya, dan saya berunding dengan anda, saya akan mencatat beberapa nota yang dicoret, cuba mengumpulkan apa yang sebenarnya kita bincangkan, dan akhirnya saya akan menulis satu siri kertas kerja mengikut norma profesional. Ini benar pada skala global.

Pelbagai pihak berkepentingan akan melihat nota itu dan menilainya: sebagai contoh, doktor dan jururawat lain akan membacanya untuk memahami mengapa saya menetapkan ubat tertentu kepada anda; Orang operasi perniagaan dan kewangan juga membaca nota itu kerana ia akan berkaitan dengan apa yang saya bayar, dan begitulah cara doktor mendapat kredit untuk perkhidmatan perubatan yang mereka sediakan.

Moderator: Abridge telah diasaskan dalam 2022 tahun. ChatGPT keluar dalam 0. AI Generatif telah wujud sejak sekian lama, bagaimanakah ia memberi kesan kepada perniagaan anda?

Shiv: Saya memulakan perniagaan saya dalam 2018 tahun dan sebahagian daripadanya mempunyai kaitan dengan Transformer, model pembelajaran mesin yang menyokong AI generatif. Tetapi kami bermula dengan beberapa model yang mendahului LLM – model seperti BERT, BioBERT, Longformer atau Pegasus. Model ini kadangkala dilatih terlebih dahulu pada data internet dan juga boleh diperhalusi untuk kes penggunaan tertentu yang ingin anda selesaikan.

Kami teruja apabila model bahasa besar keluar dan AI generatif menjadi fenomena. Saya masih ingat pada 2023 kami menghadiri makan malam mereka di persidangan industri besar mengenai AI generatif. Dalam 0, ramai orang yang menghadiri makan malam itu menelefon saya dan berkata, "Saya faham sekarang, saya akan mencubanya juga". Jadi, kami menukar semua tenaga terpendam itu kepada beberapa kuasa letupan hampir dalam sekelip mata.

Moderator: Saya pasti doktor juga boleh merasakannya. Syarikat model bahasa besar seperti OpenAI, Google dan Anthropic sentiasa menambah baik produk mereka dan juga mempunyai perkhidmatan transkripsi pertuturan mereka sendiri. Mengapa doktor, hospital, industri penjagaan kesihatan tidak menggunakan Abridge secara langsung?

Shiv: Melihat timbunan penuh teknologi AI, lapisan bawah atau berhampiran lapisan bawah ialah syarikat model besar asas, yang boleh menyediakan bahan mentah yang boleh digunakan oleh semua orang. Harus ada lapisan infrastruktur di tengah untuk membantu syarikat mendamaikan model yang berbeza.

Di bahagian atas ialah lapisan aplikasi, dan syarikat dalam lapisan aplikasi menumpukan pada menyelesaikan masalah tertentu untuk set pengguna atau perniagaan tertentu. Mereka selalunya disepadukan secara mendalam ke dalam aliran kerja dan memanfaatkan set data proprietari. Misi Abridge adalah untuk benar-benar menyelesaikan masalah khusus industri, yang bermaksud bahawa kita sering belajar daripada set data yang tidak tersedia di internet, selalunya menyelaraskan sejumlah besar model berbeza untuk mencipta pengalaman pengguna yang terbaik.

Penemuduga: Adakah juga kerana privasi data juga sangat penting dalam penjagaan kesihatan?

Shiv: Ya. Terdapat halangan khusus untuk masuk untuk industri tertentu, privasi adalah penting untuk penjagaan kesihatan, dan kebolehpercayaan adalah keperluan asas, mata wang muktamad untuk transaksi anda.

Oleh itu, cabaran dan peluang yang kami lihat ialah sama ada kami boleh memanfaatkan teknologi cemerlang yang hampir ke tahap bawah, membina keupayaan teknikal kami sendiri dalam senario yang paling sesuai, dan menumpu menjadi produk dan penyelesaian tindanan penuh yang benar-benar. Ini ialah penyepaduan teknologi teras dan AI, dan ia datang daripada penerokaan kami tentang cara menyepadukan data ke dalam aliran kerja, mengumpul input daripada doktor setiap hari dan menyediakan perkhidmatan pelanggan.

Moderator: Satya Nadella berkata bahawa OpenAI kini merupakan syarikat produk. Apakah yang menghalang syarikat model besar daripada memasuki ruang ini di Abridge?

Shiv: Saya fikir masuk akal bagi syarikat model asas untuk beralih ke peringkat teratas aplikasi. Dalam satu cara, mereka sentiasa ke arah itu. Anda dan saya kedua-duanya menggunakan ChatGPT atau Claude. Ia adalah apl atau produk.

Syarikat-syarikat ini juga merupakan syarikat-T, dan mereka mempunyai orientasi menegak, yang mungkin merupakan apl yang dihadapi pengguna yang kita semua gunakan; Tetapi mereka juga mempunyai lapisan yang lebih mendatar, API, yang menyediakan syarikat lain akses kepada komponen mentah ini, membolehkan mereka memanfaatkannya secara mendalam. Tetapi mereka tidak boleh meliputi semua kawasan dan masuk jauh ke semua kawasan.

5% Pengalaman Lebih Baik: Menggabungkan faedah model yang berbeza dengan cekap

Moderator: Apakah model di sebalik Abridge?

Shiv: Kami menyelaraskan banyak model yang berbeza. Kerja yang kami lakukan di belakang tabir boleh dipanggil "enjin inferens berasaskan senario". Selepas meneroka sejak beberapa tahun kebelakangan ini, kami telah dapat mengendalikan tugas penyelarasan yang kompleks antara model yang berbeza. Sesetengah model ini ialah model skala rangkaian (selalunya dengan parameter berskala besar dan struktur pengiraan yang kompleks), manakala yang lain ialah model sumber terbuka yang diperhalusi.

要知道，在我們的工作中，一點點的差異，哪怕只有5%，對最終形成的用戶體驗有著巨大的不同。加上還有醫療保健中的信任和安全問題。因此，在許多方面，我們得盡可能深思熟慮地調用大語言模型並利用AI。

Sebahagian daripada cabaran ialah cara mengabstraksi banyak tugas daripada tingkah laku pengguna dalam keadaan yang kompleks. Di sebalik produk, kita mungkin memanggil model bahasa besar 20 hingga 0 kali hanya untuk menjana nota yang kelihatan biasa. Jelas sekali, kita tidak boleh memanggil model besar di luar rak pada frekuensi yang tinggi dan masih mengekalkan kos yang rendah. Oleh itu, kita perlu menggunakan model yang lebih kos efektif yang telah kita optimumkan untuk memastikan output yang cekap dan tepat.

Moderator: Jadi anda juga menggunakan model sumber terbuka DeepSeek?

Shiv: Sudah tentu, kami sedang bereksperimen. Saya fikir itu adalah sebahagian daripada cerita aplikasi, dan ia adalah perkara yang baik untuk kami setiap kali terdapat perubahan dalam model besar yang mendasari dan kemajuan baharu: ia pasti berita baik untuk syarikat yang tahu cara membentuk teknologi ini ke dalam kes penggunaan khusus mereka.

Moderator: Produk mereka telah menjadi lebih sensitif.

Shi: Sudah tentu.

Moderator: Adakah anda berpendapat bahawa sebagai syarikat aplikasi AI, adakah lebih mudah untuk mengewangkan daripada OpenAI? Lagipun, OpenAI kehilangan berbilion dolar setiap tahun. Apakah struktur kos anda? Tidak mengapa jika anda tidak mahu memberikan butiran khusus. Tetapi bolehkah anda memberi kami beberapa maklumat umum?

Shiv: Di peringkat aplikasi, anda perlu mengikuti semua peraturan industri tertentu anda. Dalam industri penjagaan kesihatan, terdapat peraturan untuk strategi promosi produk anda, strategi jualan, dsb. Saya percaya bahawa profesion lain, seperti undang-undang, juga mempunyai ciri-ciri mereka sendiri. Sebaik sahaja kami melakukan perkara di atas mengikut peraturan, harga hanyalah langkah seterusnya.

Nilai kami terletak pada kesan yang boleh kami berikan kepada industri. Selama bertahun-tahun, dua daripada setiap 12 doktor tidak mahu meneruskan sebagai doktor untuk 0 hingga 0 tahun akan datang; Menurut artikel dalam majalah JAMA, 0% jururawat tidak mahu meneruskan sebagai jururawat dalam 0 bulan akan datang. Ini mungkin bermakna pesakit yang tinggal di kawasan luar bandar perlu memandu lima atau enam jam ke hospital bandar untuk berjumpa pakar reumatologi. Apa yang mesti kita lakukan mengenai kecemasan kesihatan awam ini.

Moderator: Dengan Abridge, beberapa kertas kerja dihapuskan, dan kerja doktor mungkin menjadi lebih fokus, jadi mereka bersedia untuk kekal dalam profesion kerana itu?

Shiv: Ya, kami sebenarnya mendapat maklum balas daripada banyak pengguna daripada saluran komunikasi kami yang patuh, dan mereka memberitahu kami bahawa mereka bersedia untuk bekerja dalam industri ini selama 5 tahun lagi kerana kami telah mengambil banyak beban daripada mereka. Maklum balas ini juga merupakan sumber dopamin untuk jurutera kami, yang menjadi semakin jelas tentang mengapa mereka melakukannya.

Penemuduga: Ia juga merupakan ruang yang sangat kompetitif. Adakah anda telah mencapai tahap di mana doktor dan hospital sanggup membayar produk anda? Atau adakah anda dalam fasa pertumbuhan untuk meningkatkan dan memperoleh bahagian pasaran?

Shiv: Mereka sanggup membayar, dan kami meningkatkan sepanjang masa. Kami berada dalam talian dalam lebih daripada 110 sistem penjagaan kesihatan di seluruh negara. Dan sebenarnya detik yang kita lalui sejak beberapa tahun kebelakangan ini benar-benar bersejarah, kerana sistem penjagaan kesihatan biasanya tidak berubah dengan cepat. Ini menunjukkan bahawa masalah yang kita selesaikan juga merupakan salah satu isu utama yang berada di fikiran semua eksekutif peringkat C di negara kita, dan mereka sedang mencari penyelesaian yang berkesan untuknya. Kami dapat menunjukkan bahawa kami dapat membawa perubahan positif supaya kami dapat menskalakan dengan lancar.

Sumber terbuka membolehkan kami membezakan produk kami pada kos yang lebih rendah

Moderator: Saya telah berhati-hati untuk memanggil Abridge sebagai "syarikat aplikasi AI". Adakah anda berasa tidak selesa apabila orang lain mentakrifkan anda sebagai cangkerang AI?

Shiv: Saya tidak tahu apa yang perlu dibuat dengan perkataan itu kerana saya tidak pasti sama ada ia masih mempunyai makna yang sama seperti beberapa tahun yang lalu. Mungkin dua atau tiga tahun yang lalu, terdapat hujah bahawa satu-satunya cara untuk bersaing dalam ruang AI adalah dengan mengumpul ratusan juta dolar dan pra-melatih model skala rangkaian ini untuk menyelesaikan pelbagai masalah.

Tetapi orang ramai dengan cepat menyedari bahawa nilai sebenar beralih ke peringkat atas aplikasi. Dan apabila anda boleh menyelesaikan masalah manusia secara mendalam, anda boleh merealisasikan nilai tertinggi teknologi ini.

CSO (Ketua Pegawai Saintifik) syarikat kami ialah seorang profesor di Universiti Carnegie Mellon, yang juga bersama kami sepenuh masa dan tinggal di San Francisco. Dia merasakan bahawa kami lebih seperti beberapa syarikat model asas, walaupun pada skala yang berbeza; Kami juga berbentuk T, berkembang dengan cara kami sendiri. Kami juga mempunyai tahap teknologi kami sendiri, kami juga menggunakan set data proprietari, dan kami juga melakukan penalaan halus dan pengoptimuman pasca latihan ke dalam model kami sendiri untuk memberikan hasil dan penyelesaian yang terbaik.

Moderator: Jadi "cangkerang" bukan lagi penerangan yang tepat untuk anda? Penggunaan selongsong membayangkan "nipis", bukan? Tetapi saya fikir anda menangani isu yang lebih kompleks dan pergi lebih mendalam dan lebih mendalam.

Shiv: Sudah tentu. Saya fikir apa yang dipanggil "selongsong" mungkin masih terpakai kepada jenis produk tertentu, lebih banyak dalam ruang pengguna. Tetapi ia tidak terpakai kepada ruang perkhidmatan perusahaan, kerana sebagai tambahan kepada teknologi, terdapat faktor-faktor yang perlu anda pertimbangkan: pematuhan, privasi, keselamatan, infrastruktur, keupayaan untuk berskala, dsb.

Moderator: Anda sedang membangunkan model anda sendiri, dan kami sudah melihat trend ini, terutamanya dengan DeepSeek menjadikan model lebih murah dan lebih cekap. Bukan hanya anda, banyak syarikat AI mempunyai lebih banyak model sumber terbuka untuk dimanfaatkan, membolehkan mereka menghasilkan model pengoptimuman dalaman mereka sendiri.

Shiv: Ya, sudah tentu. Saya fikir ia adalah trend, dan itulah rahsia kejayaan kami. Kami dapat membezakan diri kami melalui produk, pengalaman pengguna dan metrik tertentu.

Kami tidak akan memberitahu doktor: hei, di sebalik produk, kami mungkin memanggil dan menyelaraskan 20 model yang berbeza. Sesetengah model ini mungkin mengekstrak perkara yang ingin disemak oleh syarikat insurans untuk pengunderaitan atau pembayaran balik. Model lain mungkin mengekstrak apa yang pesakit mahu baca - jika doktor menggunakan istilah seperti "transcatheter aortic valvulopresty" dalam notanya, pesakitnya mungkin melihat istilah itu dan berfikir, "Tunggu, dia tidak pernah mengatakan ini kepada saya." Saya akan pergi ke Google dan kedengarannya mengerikan. "Kemudian pesakit boleh menghubungi atau menghantar e-mel kepada doktor dan bertanya apa yang sedang berlaku.

Oleh itu, semua model berbeza yang kami selaraskan di belakang tabir direka untuk memberi perkhidmatan kepada pihak berkepentingan yang berbeza ini, dan dari situlah banyak pembezaan kami berasal.

Hubungan antara pengekodan Vibe dan pembangunan perisian tradisional

Moderator: Saya tahu anda melakukan kerja yang hebat dalam penjagaan kesihatan, tetapi kemudian saya ingin bercakap sedikit lebih luas tentang lapisan aplikasi AI. Kami ingin tahu tentang kebangkitan pengekodan getaran, terutamanya bagaimana ia akan mengubah kerja pembangun. Sebagai peneraju dalam aplikasi AI, adakah anda telah mengkaji perkara ini?

Shiv: Ya, sudah tentu. Ini mungkin topik yang kami bangkitkan setiap hari di Slack dalaman kami.

Pengekodan getaran boleh menukar idea dengan cepat kepada prototaip yang boleh diuji, melangkau banyak langkah pembangunan tradisional. Sebagai contoh, membuat laman web tanpa perlu memahami kod asas secara mendalam. Kami tidak tahu kemajuan yang akan dicapai dalam teknologi ini dalam 12 bulan atau 0 bulan, tetapi walaupun dengan bantuan pengekodan getaran, anda masih perlu menguasai asas bahasa pengaturcaraan, algoritma, AI dan pembelajaran mesin untuk menyelesaikan pembinaan produk.

Sebagai seorang doktor, saya masih pergi ke hospital dari semasa ke semasa untuk melihat keadaan pesakit. Setiap bulan, apabila tiada siapa yang mahu bertugas pada hujung minggu tertentu, saya bertugas. Saya akan mengkaji beberapa maklumat penyakit pesakit yang tidak sensitif dan memasukkannya ke dalam model AI untuk melihat apa yang akan dilakukan oleh AI jika ia melihat pesakit dengan gejala atau aduan ini dalam peranan seorang doktor. Saya mendapati bahawa sekurang-kurangnya separuh daripada masa, naluri pertama AI adalah tidak betul. Saya akan bercakap dengan AI, kami akan bercakap mengenainya berulang kali, dan saya boleh diyakinkan olehnya. Walaupun saya tidak membuat penaakulan atau andaian yang bertentangan, saya percaya kami akhirnya mendapat kesimpulan yang lebih baik daripada yang kami miliki pada asalnya.

(Penaakulan atau hipotesis kontrafakta: Doktor mempertimbangkan bagaimana keadaan pesakit akan berkembang jika pilihan rawatan yang berbeza telah diambil.) Cara berfikir ini adalah perkara biasa dalam membuat keputusan perubatan. ）

Jadi AI membantu saya mengembangkan pemikiran saya dan memastikan saya tidak terlepas pandang beberapa diagnosis penyakit jarang berlaku atau diagnosis perubatan yang luar biasa. Tetapi ia masih tidak boleh menggantikan keseluruhan pemikiran diagnostik. Saya fikir pengekodan getaran mempunyai interaksi yang serupa dengan pembangunan tradisional dan aplikasi perusahaan AI dengan model asas.

Moderator: Adakah anda fikir pengekodan getaran boleh menggantikan penjanaan kod tradisional?

Shiv: Pada peringkat ini, terutamanya dalam industri seperti penjagaan kesihatan yang perlu meningkatkan penyelesaian perusahaan, pengekodan getaran ialah alat yang hebat untuk membuat prototaip produk atau ciri dengan cepat. Sebagai contoh, ia membantu kami melangkau banyak langkah untuk mendapatkan idea daripada tanah atau menyampaikan idea merentas syarikat, memudahkan orang ramai memahami perkara yang kami bina dan mungkin ia membolehkan kami mula mengoptimumkan elemen yang kami bina terlebih dahulu, seperti mengoptimumkan pengalaman pengguna untuk memastikan produk berfungsi dan berfungsi seperti yang dijangkakan apabila ia tersedia secara umum.

Akibatnya, ia boleh memendekkan keseluruhan kitaran sebelum keluaran produk, tetapi ia tidak menggantikan kerja asas yang masih perlu kita lakukan – memastikan kod yang kita keluarkan berjalan dengan tepat dan berskala.

Aplikasi perusahaan AI perlu mengekalkan pasukan yang sangat sensitif dan betul

Moderator: Topik terakhir yang ingin saya bincangkan ialah syarikat permulaan bersaing dengan pemain gergasi yang telah lama cuba menyelesaikan masalah yang sama. Apakah sebab mengapa anda mempunyai ruang untuk bersaing sekarang? Adakah ini ada kaitan dengan AI generatif? Atau adakah ia lebih berkaitan dengan "kapal sukar untuk dipusingkan" gergasi tradisional?

Shiv: Apabila model asas berubah dengan cepat, seperti yang anda katakan sebelum ini, ketajaman dan fleksibiliti lapisan aplikasi adalah sangat penting. Ketangkasan tinggi bermakna anda mempunyai pasukan dengan set kemahiran yang betul, termasuk pasukan saintis yang boleh menggerudi lapisan model asas dan memperhalusi model tersebut untuk kes penggunaan khusus anda, sambil juga disepadukan secara mendalam ke dalam aliran kerja industri.

Jadi, adalah penting untuk anda menggabungkan kemahiran pasukan anda dengan AI dan pengetahuan industri pada masa ini. Jelas sekali, masa pasaran sangat sukar untuk difahami, tetapi apabila beberapa permintaan besar dijana, nilai anda diserlahkan. Penjagaan kesihatan kini bergema dengan AI, dan industri lain tidak lama lagi akan menjadi sama.

Moderator: Hanya masalah masa sebelum syarikat permulaan boleh bergerak dengan cepat, tetapi gergasi mempunyai lebih banyak data dan boleh menggunakan data itu dengan bijak, bukan? Mereka mungkin membuat penggabungan dan pengambilalihan pada masa hadapan untuk bersaing dengan anda. Jadi apakah parit anda?

Shiv: Model asas pasti mempunyai parit. Dalam beberapa tahun, mereka memerlukan sejumlah besar wang untuk kuasa pengkomputeran, pengumpulan data, pembelajaran pengukuhan, dsb., yang merupakan beban kerja yang sangat berat.

Parit lapisan aplikasi sentiasa menjadi parit bagi syarikat teknologi, terutamanya dalam pasaran B2B. Parit boleh menjadi kesan rangkaian, kos penukaran yang tinggi, keupayaan untuk memanfaatkan sumber yang terhad atau kesan jenama. Semua ini boleh menjadi kelebihan daya saing untuk perniagaan.

Moderator: Tetapi adakah gergasi mempunyai kelebihan yang lebih besar dalam saluran pengedaran?

Shiv: Saya fikir bahagian pengedaran adalah penting. Tetapi AI juga mengubah peraturan permainan pengedaran dan mengubah definisi saluran pengedaran. Hanya dalam beberapa minggu dan bulan, kami telah didedahkan kepada banyak teknologi gred perusahaan yang boleh membantu anda mengautomasikan banyak proses dan menjangkau penyemak imbas pengguna atau sistem yang ditubuhkan dengan cepat. Halangan untuk masuk untuk dapat menyelesaikan tugas-tugas berskala besar ini boleh menjadi sangat tinggi sebelum ini.

AI mentakrifkan semula kepentingan saluran pengedaran, atau kepentingan saluran sedia ada. Ini memberi ruang kepada syarikat permulaan untuk menang, selagi mereka mempunyai produk terbaik.