Artem Semjanow 是 Neatsy.ai 的创始人和CEO,Neatsy.ai 是第一个利用 AI 和 AR 来检测足科问题风险的应用程序,使用手机摄像头即可检测。 他进行了两次转型:第一次从 B2C 转向 B2B,第二次从运动鞋公司转向与 哈佛大学 和 马萨诸塞州总医院 合作的 AI 健康应用。
科学验证是创业公司打造成功业务的关键一步。通过严格测试产品背后的假设,科技创业者可以减轻风险,增加对投资者的吸引力,保持法规遵从性,培养客户信任,并增强营销策略。然而,尽管验证过程是创业公司的竞争优势和对质量产品的承诺,但它可能会遇到多个障碍。这可能是由于数据短缺、资源限制和缺乏专业知识。以下是为创业公司提供的六步指南,以提高他们在科学验证技术方面的成功机会,这是自信地推出产品的必要前奏。1. 定义您的技术和目标受众首先,准确地定义技术及其预期功能。如果您的概念仍然模糊,进行彻底的研究以确保您了解市场。准确性至关重要,在结果中实现高精度将有利于进入下一阶段。为了收集最相关的研究成果,首先关注解决特定问题的研究,然后深入研究主题相关问题的各个方面。开展可靠的研究是一个棘手的问题,因为对于任何特定问题几乎没有通用解决方案。一旦您确定了一些研究,需要进行更多的尽职调查。准备好检查: 开源代码。它允许您以较少的努力检查您的想法,这将节省您的时间。另外,代码为您提供了所有可能的实现细节,这些细节在纸面上可能很容易被忽略。同时,这也是一个良好研究的标志。 引用。如果一项研究在其他研究中经常被引用,那么您更有可能能够将其思想应用于您的项目。 2. 记录您的结果并与市场和投资者分享一旦您衡量了您的结果,您需要将它们与利益相关者和更广泛的市场分享。撰写一篇论文,概述收集的数据和结果,因为这将成为您研究的证明。这一过程不仅提供了您工作的有形记录,还为未来的探索奠定了基础。在投资一家公司时,这也作为外部验证,成为投资者高度重视的因素。投资者非常看重可信度。例如,在我们的案例中,我们撰写了一篇预印本,这是一篇可以在同行评审前在线发布的学术论文。在这篇预印本中,我们讨论了正在研究的主题的工作以及为什么世界需要它。预印本可以说是科学文章的起始阶段。它还包括我们的方法,然后我们转向实验,这是预印本的第三部分。在这里,我们解释了如何收集数据、初始结果以及是否验证了我们的假设。成功向哈佛医学院推介预印本后,我们达成了合作开展联合研究项目的协议。3. 撰写学术或科学文章在学术界,通常的做法是将文章发表在认可的期刊上,然后在科学会议上宣传。这一曝光通常会导致其他研究人员与社区互动,获得宝贵的见解,不断改进技术,并引用您的工作,从而提高您的h指数,这是博士生、教授和从事学术研究的职业人士的关键指标。即使您的创业公司没有成功,拥有发表的文章也可以为您打开更好的工作机会的大门。这也是一种保障。凭借专利和科学文章,您有可能获得有吸引力的职位,例如成为一家专注于创新和新发展的工程团队的负责人。谁知道您的职业道路将带您去哪里?此外,发表文章可以在科学界为您的工作增添可信度,并为招聘和建立公司的人力资源品牌带来机会。4. 找到合作伙伴来制定关于您技术有效性的假设当我们深入探讨您正在开发的技术的有效性时,考虑与学术或研究机构合作以进一步验证技术并扩大其影响力是非常重要的。如果这不可行,考虑找到其他合作伙伴来帮助通过增加数据样本来扩大研究。例如,我们首先为哈佛医学院创建了Neatsy应用程序的特殊版本。这是Neatsy应用程序的简化版本,但它帮助哈佛的研究人员更快地收集数据,因此他们开始收集有关患者的信息并从他们那里获得书面同意,参与科学实验。在与学术合作伙伴进行谈判时,请记住他们有自己的目标,就像您有自己的目标一样。在某些情况下,学术机构的目标是发表更多高质量的论文,以提高他们对科学的贡献并通过提高他们的h指数来推进他们的职业发展,h指数是根据发表的文章数量和这些文章被引用的频率计算的。简而言之,它是文章质量的衡量标准,也是作者知名度的指标。5. 设计实验实验验证有助于通过在产品上市前确认其可行性来降低创业公司的风险。设计实验是公司和学术合作伙伴的共同责任。公司的工程师知道技术如何工作以及它需要的环境。学术合作伙伴知道如何进行实验以及他们的限制。例如,我们的整个实验在项目开始前需要获得IRB(机构审查委员会)的批准,这是每所医学院都有的一个特殊的伦理审查委员会,以确保研究中尊重人权。在开始新实验之前,明确实验的目标、规则和限制,以便遵守与合作伙伴机构建立的协议。在进行实验/试验过程中,学术合作伙伴的良好沟通至关重要。目标可能会有所不同。例如,实验可能旨在达到一种质量水平,使技术能够在研究阶段结束后进入生产。为了平衡科学严谨性与创业公司对速度的需求,您必须有时间和预算限制。不幸的是,并不是所有想法都可以实现,找到需要停止的点至关重要。6. 验证结果在验证结果时,请记住,数据仍可能存在偏差。这意味着收到的数据不代表它应该代表的内容。例如,所有年龄组都应该在数据集中被代表,但如果只有年轻人,结果对于老年人来说不可靠。通常,进行试验的人会关注这一方面,并相应地验证数据集以防止这些偏差出现。还有一种收集数据用于技术开发和同时验证的试验。然而,这种方法通常存在过拟合的问题。这发生在算法在特定数据集上变得很好的时候。有不同的机器学习技术可以避免这种过拟合,这完全是工程师的责任。进行研究的人可以做的唯一事情就是坚持收集独立的数据集来测试最终模型。为了激励参与者并增加他们的参与率,提供获得代金券、现金或礼物的机会。这就是我们在哈佛做的事情。研究详情在一个面向学生的网站上发布,提供了参与并让我们拍照的机会。这个机会迅速传播,我们的研究因此获得了巨大的见解。完成这些之后,这里有一个最终的提醒,这并不多余。请记住第二步,不要忘记记录所有数据和观察结果,以确保您的分析准确性。