Jorge Penalva CEO ของ Lang.ai เผยกรอบงาน AI ใหม่สำหรับทีม GTM

หากคุณเป็นส่วนหนึ่งของทีมผู้นำ คุณอาจได้รับมอบหมายให้ทำการตัดสินใจที่สำคัญที่สุดประการหนึ่งในทศวรรษที่ผ่านมา: วิธีนำ AI ไปใช้ในธุรกิจของคุณ อะไรคือความท้าทายที่ใหญ่ที่สุดที่ AI สามารถแก้ไขได้?

เมื่อคุณระบุความท้าทายเหล่านั้นแล้ว กลยุทธ์ AI ของคุณคืออะไร คุณจะเลือกพันธมิตรเชิงกลยุทธ์หรือผู้ขายอย่างไรเมื่อทุกอย่างเปลี่ยนแปลงอย่างรวดเร็ว?

ฉันเป็น CEO ของ Lang.ai และ ด้วยความร่วมมือกับ GTM Fund เราได้สร้างเฟรมเวิร์กแรกเพื่อใช้ AI สำหรับทีม GTM Lang.ai คือแพลตฟอร์ม AI สำหรับประสบการณ์ของลูกค้า GTM Fund และชุมชนของพวกเขาประกอบด้วยผู้ปฏิบัติงาน GTM ระดับ C-suite และรองประธานมากกว่า 300 ราย

สิ่งที่สำคัญที่สุดในใจของทุกคนในตอนนี้คือ ฉันจะใช้ AI เพื่อให้เติบโตอย่างมีประสิทธิภาพมากขึ้นได้อย่างไร

เมื่อ Max Altschuler, GP ของ GTM Fund ตอบคำถามนั้น เขาเล่าว่า “AI ไม่ใช่กระสุนเงิน ไม่มีเทคโนโลยีใดที่เป็นกระสุนเงิน หากการเคลื่อนไหว GTM ของคุณไม่ทำงานในวันนี้ ก็จะใช้งานกับ AI ไม่ได้อย่างแน่นอน คุณอาจจะไปได้เร็วขึ้นในทิศทางที่ผิด มันเกิดขึ้นพร้อมกับความก้าวหน้าครั้งสำคัญครั้งใหม่ในเทคโนโลยี เช่น อุปกรณ์เคลื่อนที่ บล็อกเชน และปัจจุบันคือ AI ผู้คนมีแนวโน้มที่จะเสียสมาธิกับเทคโนโลยีและลืมติดตามปัญหาเบื้องหลังที่พวกเขากำลังพยายามแก้ไขจริงๆ

"ไม่กี่ปีที่ผ่านมา แต่ละทีมของคุณคงหมดเงินที่จะซื้อโซลูชันจุด AI ล่าสุดเนื่องจาก FOMO ตอนนี้ ฉันอยากจะกระตุ้นให้ทีมต่างๆ กลับไปสู่พื้นฐาน นำทีมผู้นำของคุณมารวมกัน ประเมินแต่ละหัวเลี้ยวหัวต่อใน กระบวนการ GTM ของคุณตั้งแต่การค้นพบลูกค้าไปจนถึงการขายต่อยอด และคิดใหม่ถึงวิธีที่ดีกว่าในการดึงดูดลูกค้าของคุณโดยใช้ความก้าวหน้าใหม่เหล่านี้ใน AI

"สร้างแผนที่โลกใหม่ ใช้เฟรมเวิร์กเหมือนกับด้านล่างเพื่อประเมินว่าตัวเลือก AI ใดที่เหมาะกับองค์กรของคุณ ทำการทดสอบเล็กๆ น้อยๆ ทำซ้ำตามข้อมูลที่คุณได้รับ จากนั้นจึงเปิดตัวในหน่วยธุรกิจเดียว หลังจากนั้น มันจะไปทั้งองค์กร

“หากไม่มีกลยุทธ์แบบองค์รวมเช่นนี้ จริงๆ แล้วผมคิดว่า AI มีความสามารถในการทำร้ายธุรกิจของคุณมากกว่าผลดี ในใจของผมไม่ต้องสงสัยเลยว่า AI จะช่วยเราเขียน Playbook GTM ในปัจจุบันขึ้นมาใหม่ แต่มันยังอยู่ในช่วงเริ่มต้น นี่คือ หนึ่งในสถานการณ์ที่บริษัทจำเป็นต้องชะลอตัวลงเพื่อที่จะเร่งความเร็ว"

Matthew Miller นักวิเคราะห์หลักของ G2 ที่เน้นด้าน AI เห็นด้วย การวิจัยของเขาในเกือบ 200 หมวดหมู่ที่มีคุณสมบัติ AI สร้างสรรค์เผยให้เห็นสิ่งนี้ แม้จะมีเสียงระฆังและนกหวีดของเทคโนโลยีใหม่ แต่เข็มก็แทบจะไม่ขยับเมื่อพูดถึงว่าซอฟต์แวร์ตอบสนองความต้องการของผู้ใช้ซอฟต์แวร์ได้ดีเพียงใด การกำหนดความต้องการควรมาก่อน จากนั้นคุณควรพยายามหาวิธีใช้ซอฟต์แวร์ที่ดีที่สุดเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด

หากคุณอยู่ในทีม GTM เช่น การขาย การตลาด ผลิตภัณฑ์ ประสบการณ์ของลูกค้า หรือความสำเร็จของลูกค้า คุณจะได้รับประโยชน์จากกรอบการทำงานนี้เพื่อตัดสินใจได้อย่างถูกต้องเมื่อต้องสร้าง AI

3 ทางเลือกในการใช้ AI ในฐานะผู้ขาย

ปัจจุบัน มีตัวเลือกหลักสามตัวเลือกในการใช้ AI ในบริษัท มาดูรายละเอียดกัน

1. ผู้ให้บริการคลาวด์หรือ LLM

ผู้ให้บริการระบบคลาวด์ ขนาดใหญ่ เช่น AWS, Google หรือ Microsoft ต่างให้บริการเพื่อนำ AI เจนเนอเรชั่นไปใช้อย่างปลอดภัยในระบบคลาวด์ ในกรณีของ Microsoft พวกเขาเสนอเฉพาะโมเดล Open AI เท่านั้น Google นำเสนอ โมเดล Palm 2 และ Amazon มีตัวเลือกมากมาย รวมถึง AWS Bedrock

ในทางกลับกัน ผู้ให้บริการโมเดลภาษาขนาดใหญ่ (LLM) คือผู้เล่นรายใหม่ในแวดวง AI ใหม่นี้ ช่วยให้คุณใช้งาน generative AI ในสภาพแวดล้อมขององค์กรด้วยโมเดลของตัวเอง ( Anthropic และ Open AI) หรือ Open Source Models ( Huggingface และ H2O.ai ) คุณจะสามารถเรียกใช้โมเดลที่คุณเลือกได้ในขณะที่โฮสต์โมเดลนั้นโดยพิจารณาว่าเป็นโอเพ่นซอร์สหรือโฮสต์โดยผู้ให้บริการ

2. ผู้นำแนวดิ่งที่มีความสามารถ AI ใหม่

ผู้นำแนวดิ่งคือแพลตฟอร์มซอฟต์แวร์ที่เติบโตในแนวดิ่งหรือบุคลิกภาพบางประเภท เช่น การขาย การสนับสนุนลูกค้า CRM หรือการเงิน โดยทั่วไปแล้วพวกเขาจะมีความเชี่ยวชาญในหน้าที่หรือสาขาทางธุรกิจเฉพาะ ดังนั้น พวกเขาจึงมีชุดข้อมูลที่ครอบคลุมที่สุดเกี่ยวกับฟังก์ชันนั้น ซึ่งสร้างขึ้นจากความเชี่ยวชาญหลายปี บางส่วนได้เปิดตัวโมเดล AI ที่ได้รับการฝึกอบรมเกี่ยวกับข้อมูลประวัติทั้งหมดจากลูกค้าแล้ว

ตัวอย่างบางส่วนของผู้นำแนวดิ่งที่มีเครื่องมือ AI ใหม่:

• ตัวอย่างการขาย : ฆ้อง
• รูปแบบการขาย: การประชาสัมพันธ์
• โมเดลสำหรับประสบการณ์ลูกค้า (CX): Zendesk
• แบบจำลองทางการเงิน: Intuit

ผู้เล่นรายอื่นๆ เช่น Copy.ai และ Jasper.ai ได้กลายเป็นผู้นำแนวดิ่งด้วยผลิตภัณฑ์ใหม่ในตลาด เนื่องจากพวกเขาสามารถจับจังหวะเวลาในคลื่น AI ใหม่ได้

3. สตาร์ทอัพ AI ระดับองค์กร

สตาร์ทอัพ Enterprise AI คือบริษัทที่มุ่งเน้นการนำ AI ไปใช้อย่างปลอดภัยสำหรับการใช้งานเฉพาะขององค์กร โดยเฉพาะอย่างยิ่งความเป็นส่วนตัวและความปลอดภัย องค์กรต่างๆ ต้องการทราบว่าข้อมูลของตนไม่ได้ถูกนำมาใช้ในการฝึกโมเดล สตาร์ทอัพเหล่านี้ตอบสนองความต้องการดังกล่าว

ตัวอย่างของสตาร์ทอัพ Enterprise AI ได้แก่:

• สำหรับแอปพลิเคชันใดๆ: Scale AI และ Dataiku
• สำหรับประสบการณ์ของลูกค้า: Lang.ai
• สำหรับการเขียนคำโฆษณา: Writer.com
• สำหรับบริษัทกฎหมายชั้นนำ: Harvey.ai

เฟรมเวิร์กที่จะช่วยคุณเลือกระหว่างเครื่องมือ AI

ด้วยตัวเลือกทั้งหมดนี้ คุณจะเห็นว่าการตั้งค่า AI เป็นการตัดสินใจที่ยากลำบากสำหรับทีม GTM เราได้สร้างเฟรมเวิร์กนี้เพื่อให้ง่ายต่อการเลือกประเภทของผู้ขายที่เหมาะกับบริษัทของคุณและกรณีการใช้งาน AI เฉพาะของคุณ

ด้านล่างนี้เราจะกล่าวถึงวิธีการใช้กรอบงานนี้ แต่ก่อนที่เราจะเจาะลึกรายละเอียด สิ่งสำคัญคือต้องเข้าใจว่าแกนต่างๆ หมายถึงอะไร

ข้อจำกัดของวิศวกร: ข้อจำกัดที่มีอยู่ในองค์กรของคุณในแง่ของวิศวกรที่ทำงานเกี่ยวกับปัญหานี้ ข้อจำกัดที่สูงหมายความว่าคุณไม่สามารถทุ่มเทวิศวกรให้กับปัญหานี้ได้

AI เฉพาะลูกค้า: ความจำเป็นในการปรับแต่ง AI ให้เข้ากับข้อมูลของคุณเองและกรณีการใช้งานที่คุณพยายามแก้ไข AI เฉพาะลูกค้าสูงหมายความว่าคุณต้องมีการปรับแต่งในระดับสูง

โซนวิศวกรรม: ข้อจำกัดของวิศวกรต่ำ/ความต้องการ AI เฉพาะลูกค้าสูง

โซนวิศวกรรม เหมาะที่สุดสำหรับปัญหาที่เป็นการดำเนินงานหลักของบริษัท โดยปกติแล้วบริษัทต่างๆ ยินดีที่จะทุ่มเททรัพยากรด้านวิศวกรรมภายใน พวกเขาจะต้องมีการปรับแต่งและความเป็นส่วนตัว เนื่องจากเป็นสิ่งที่ทำให้พวกเขาแตกต่างจากคู่แข่ง

ในกรณีนี้ คุณใช้ LLM เพื่อสร้างโมเดล AI ของคุณเอง คุณรับประกันความเสี่ยงด้านความเป็นส่วนตัวของข้อมูลเป็นศูนย์ด้วยการโฮสต์และบำรุงรักษาอย่างรวดเร็วโดยทุ่มเททีมวิศวกรให้กับโมเดล

ตัวอย่างการใช้งานสำหรับโซนวิศวกรรม:

• การ ฉ้อโกง ในสถาบันการเงิน หากคุณเป็นธนาคาร การจัดการกับรูปแบบการฉ้อโกงและการฉ้อโกงจะสร้างความแตกต่างในการแข่งขัน นี่คือตัวอย่างกับ Chase
• การบัญชีในแพลตฟอร์มการจัดการทางการเงินเช่น Ramp คุณสร้างภายในเพราะนั่นคือหัวใจหลักของธุรกิจของคุณ Ramp Intelligence ทำงานได้ดีกับสิ่งนี้

โซน SaaS: ข้อจำกัดของวิศวกรสูง/ความต้องการ AI เฉพาะลูกค้าต่ำ

โซน SaaS เหมาะที่สุดสำหรับปัญหาที่ไม่ได้เป็นส่วนหนึ่งของการดำเนินงานหลักของบริษัท และคุณไม่สามารถลงทุนทรัพยากรด้านวิศวกรรมได้ ในขณะเดียวกัน ข้อมูลที่เป็นส่วนหนึ่งของปัญหาเหล่านี้ไม่ได้มีความสำคัญหรือมีความเสี่ยงสูง

เพื่อแก้ไขปัญหาประเภทนี้ คุณสามารถทำงานร่วมกับผู้ให้บริการ SaaS ที่มี “โมเดลขนาดใหญ่” ที่ได้รับการฝึกอบรมจากข้อมูลลูกค้าทั้งหมด รวมถึงของคุณเองด้วย ข้อดีก็คือ ผู้ให้บริการมีข้อมูลเกี่ยวกับบริษัทอื่นๆ และคุณไม่จำเป็นต้องลงทุนทรัพยากรด้านวิศวกรรม คุณเพียงแค่ทำสัญญาซอฟต์แวร์กับฟีเจอร์ AI รายเดือนหรือรายปี

ตัวอย่างกรณีการใช้งานสำหรับโซน SaaS:

• การขายในบริษัท SaaS บริษัท SaaS ทุกแห่งมีการขายในลักษณะเดียวกันตลอด 10 ปีที่ผ่านมาตามหลักการรายได้ขาออกที่คาดการณ์ได้

• การสนับสนุนลูกค้าสำหรับผู้ค้าปลีก Shopify/Amazon หากคุณจำหน่ายผลิตภัณฑ์ ข้อมูลของคุณจะไม่ซ้ำกันหรือเกี่ยวข้อง คนส่วนใหญ่จะบ่นเรื่องการจัดส่งและการคืนสินค้า และพอบ่นเรื่องสินค้า ก็ไม่สามารถแก้ไขได้

• การเขียนคำโฆษณาสำหรับการเริ่มต้น ทีมการตลาดของคุณต้องการเร่งความเร็วในการผลิตเนื้อหา เนื้อหานี้ไม่สำคัญ ดังนั้นคุณจึงสามารถใช้ Copy.ai หรือ Jasper.ai ได้โดยไม่ต้องกังวลเกี่ยวกับความเป็นส่วนตัวของเนื้อหานี้และวิธีการใช้งาน

โซนหุ้นส่วน: ข้อจำกัดด้านวิศวกรสูง/ความต้องการ AI เฉพาะลูกค้าสูง

เขตความร่วมมือ เป็นพื้นที่ที่ดีที่สุดสำหรับกระบวนการที่อาจไม่ใช่จุดสนใจหลักของบริษัท ดังนั้นคุณจึงไม่มีความพร้อมด้านวิศวกรรม ขั้นตอนเหล่านี้อาจมีความต้องการเฉพาะของบริษัท (เนื่องจากความเป็นส่วนตัว กระบวนการภายใน หรือความซับซ้อน) ที่จำเป็นต้องมีการปรับแต่ง ไม่ใช่เพียงโมเดลทั่วไป ด้วยการเป็นพันธมิตรกับสตาร์ทอัพที่พร้อมสำหรับองค์กร คุณจะได้รับพลังของการดำเนินการที่รวดเร็ว ในขณะเดียวกันก็รักษาข้อมูลให้เป็นส่วนตัวและประหยัดทรัพยากร

นอกจากนี้ยังใช้เมื่อ:

• ไม่จำเป็นต้องมีโมเดลที่กำหนดเองสำหรับข้อมูลของคุณ แต่ยังไม่มีโมเดลทั่วไปที่ใช้งานได้
• มันเป็นศูนย์กลางของบริษัทของคุณ แต่คุณไม่มีทรัพยากรด้านวิศวกรรม

ตัวอย่างกรณีการใช้งานสำหรับโซนหุ้นส่วน:

• การสนับสนุนลูกค้าในธุรกิจเทคโนโลยีด้านสุขภาพ ธุรกิจเทคโนโลยีด้านสุขภาพต้องการความเป็นส่วนตัวในระดับสูงสำหรับผลิตภัณฑ์หรือบริการของตน และต้องการมาตรฐานระดับสูงด้านความเป็นส่วนตัวของข้อมูลและการควบคุมเฉพาะ เช่น HIPAA ทั้งหมดนี้เรียกร้องให้มี AI เฉพาะลูกค้า ในขณะเดียวกัน มันไม่สมเหตุสมผลเลยที่บริษัทเทคโนโลยีด้านสุขภาพส่วนใหญ่จะลงทุนทรัพยากรด้านวิศวกรรมในการสนับสนุนลูกค้า
• การเขียนคำโฆษณาสำหรับแบรนด์ที่มีมูลค่าสูงสุด แบรนด์ต่างๆ เช่น Nike, Apple หรือ Coca-Cola มีข้อได้เปรียบทางการแข่งขันที่สำคัญในฐานะแบรนด์ที่มีมูลค่ามากที่สุดในโลก พวกเขาต้องการ AI เฉพาะลูกค้า และพวกเขาอาจไม่ต้องการให้ความเชี่ยวชาญของตนถูกใช้ในการฝึกโมเดลภาษาของคู่แข่งรายอื่น

ในขณะเดียวกัน พวกเขาไม่สามารถอุทิศวิศวกรให้กับแบรนด์หรือทีมการตลาดของตนได้ การเป็นพันธมิตรกับสตาร์ทอัพส่วนตัวที่เจาะจงลูกค้าด้วย AI เพื่อทำการตลาดจะเป็นทางออกที่ดีที่สุดสำหรับแบรนด์เหล่านี้

โซนอันตราย: ข้อจำกัดของวิศวกรต่ำ/ความต้องการ AI เฉพาะลูกค้าต่ำ

โซนอันตราย คือจุดที่บริษัทต่างๆ สามารถค้นพบตัวเองได้หากไม่ปรับตัวให้เข้ากับการเปลี่ยนแปลงแบบทวีคูณของ AI ที่เกิดขึ้นในปีที่ผ่านมา การอยู่ในเขตอันตรายหมายความว่าคุณกำลังลงทุนเวลาและเงินไปกับวิศวกรเพื่อสร้างแบบจำลองที่คุณไม่ได้เป็นเจ้าของ โมเดลนี้ไม่ได้เจาะจงลูกค้า ดังนั้นข้อมูลของคุณจึงอาจนำไปใช้กับไคลเอนต์หลายรายได้

สิ่งนี้เคยเป็นเรื่องปกติเนื่องจากโมเดลแมชชีนเลิร์นนิง (ML) ต้องการการฝึกอบรมและการปรับแต่งอย่างมากเพื่อแก้ไขปัญหา และผู้ให้บริการต้องการข้อมูลจำนวนมหาศาลจึงจะประสบความสำเร็จ ตัวอย่างเช่น เป็นเรื่องปกติที่จะจ่ายเงินให้กับผู้ให้บริการ AI ที่มีทีมวิศวกร ML ภายในองค์กรที่ฝึกอบรมอัลกอริทึม แต่ข้อมูลและแบบจำลองนั้นเป็นของผู้ให้บริการ ไม่ใช่ของบริษัทที่ซื้อซอฟต์แวร์ AI

ด้วย LLM การอยู่ในเขตอันตรายจากมุมมองของกลยุทธ์ AI นั้นไม่สมเหตุสมผล หากคุณเป็นเช่นนั้น ให้เปลี่ยนผู้ให้บริการหรือผลักดันให้พวกเขาส่งมอบโมเดล AI ในลักษณะที่ไม่ต้องเสียค่าใช้จ่ายสำหรับทรัพยากรด้านวิศวกรรม

คุณควรออกจากโซนนี้สำหรับ กระบวนการ AI ในบริษัทของคุณ

ตัวแปรอื่น ๆ ที่ต้องคำนึงถึง

AI และระบบนิเวศของปัญหาและบริษัทที่อยู่รอบๆ กำลังพัฒนาแบบทวีคูณ ดังนั้นในขณะที่เราพยายามสรุปทุกอย่างด้วยกรอบการทำงานที่เรียบง่าย ยังมีตัวแปรอื่นๆ ที่เกี่ยวข้องในการตัดสินใจด้วย เช่น:

• ข้อมูลเป็นทรัพย์สินที่มีค่าที่สุดขององค์กร โมเดลภาษาขนาดใหญ่ได้รับการฝึกอบรมด้วยข้อมูลที่มีอยู่บนอินเทอร์เน็ต ดังนั้นข้อมูลองค์กรของคุณจึงมีคุณค่าอย่างยิ่งสำหรับ AI เนื่องจากเป็นสิ่งที่หายากในระบบเหล่านี้ อย่าเปิดเผยข้อมูลอันมีค่าของคุณให้คู่แข่งได้รับประโยชน์ หากคุณเชื่อว่าข้อมูลมีความเกี่ยวข้องในการชนะตลาด
• ความเป็นส่วนตัวของข้อมูล โมเดลเฉพาะของลูกค้ามีแนวโน้มที่จะเป็นแบบส่วนตัว โดยทั่วไป ความเป็นส่วนตัวของข้อมูลเป็นตัวแปรสำคัญที่ต้องพิจารณาเนื่องจากความเสี่ยงด้านความปลอดภัย หากข้อมูลของคุณมีค่า ตรวจสอบให้แน่ใจว่าข้อมูลนั้นไม่ได้จบลงที่จุดที่สามารถถูกขโมยได้ง่าย
• ไดนามิกของข้อมูล หากปัญหาที่คุณพยายามแก้ไขขึ้นอยู่กับข้อมูลที่เปลี่ยนแปลงอย่างรวดเร็ว คุณควรพูดคุยกับผู้ให้บริการของคุณเกี่ยวกับกลไกการเรียนรู้หลังจากการฝึกอบรมขั้นต้นและการปรับแต่งอย่างละเอียด คุณควรเข้าใจว่าโมเดลเปลี่ยนแปลงไปอย่างไรเมื่อข้อมูลของคุณมีการพัฒนา
• ความจำเพาะของข้อมูล หากปัญหาที่คุณพยายามแก้ไขไม่ชัดเจน คุณอาจพบว่าการทำงานกับ AI ที่ไม่ได้เน้นไปที่การปรับแต่งเป็นเรื่องยาก LLM ได้รับการพิสูจน์แล้วว่าทำงานได้ดีจริงๆ สำหรับงานเกือบไม่จำกัดจำนวน แต่นั่นไม่ได้หมายความว่าพวกเขาสามารถแก้ปัญหาได้ทุกปัญหา
• ค่าใช้จ่ายในการสร้างและบำรุงรักษาโซลูชันภายในองค์กร ยิ่งคุณมีเวลาน้อยลงเท่าไร คุณก็ยิ่งอยากสร้าง AI ภายในองค์กรมากขึ้นเท่านั้น AI มีการพัฒนาอย่างมาก และตอนนี้เราทุกคนสามารถเห็นผลกระทบดังกล่าวได้โดยใช้ ChatGPT แต่การจัดการกับ AI เพื่อแก้ไขปัญหาขององค์กรยังคงซับซ้อน

AI สำหรับทีมที่ชาญฉลาดยิ่งขึ้นแห่งอนาคต

แม้ว่า generative AI จะเป็นสินค้าในหลายๆ ด้านของ AI แต่การสร้างโซลูชันนั้นแตกต่างจากการนำเทคโนโลยีไปใช้ เราได้เห็นคำถามทั่วไปที่ถูกถามกับผู้ให้บริการ AI ในปัจจุบัน: “เหตุใดจึงแตกต่างจากสิ่งที่ฉันสามารถทำได้ด้วย ChatGPT/ Open AI” เราต้องการชี้ให้เห็นว่าความแตกต่างไม่จำเป็นต้องมาจากมุมมองของเทคโนโลยี ข้อได้เปรียบที่แท้จริงคือหากผู้จำหน่าย AI ของคุณคิดถึงปัญหาที่คุณพยายามแก้ไขตลอด 24 ชั่วโมงทุกวัน จึงมีทางออกหรือผลิตภัณฑ์ที่ดีที่สุด

หลายครั้งที่ลูกค้าผลักดันให้ใช้ AI แต่เป็นการดีที่จะย้อนกลับไปและทำความเข้าใจว่าปัญหาที่คุณกำลังพยายามแก้ไขคืออะไร และอะไรคือแนวทางที่ดีที่สุดก่อนที่จะลงทุนหลายพันหรือหลายล้านดอลลาร์

เป็นผู้นำทุกสิ่งที่เกี่ยวข้องกับ AI เมื่อคุณสมัครรับจดหมายข่าวรายเดือนของเรา   ชาจีทู .