Отбирать жестко, отрезать лишнее. Чему венчурная студия Pawa научилась в поездке в Долину

Партнеры по Reface Кирилл Сыгыда, Сергей Токарев и Ден Дмитренко основали венчурную студию Machine Learning-стартапов (далее — ML) Pawa. Собрав в ходе развития Reface сообщество разработчиков, они увидели большой рынок с ML-задачи. Этим летом они поехали в Кремниевую Долину, чтобы понять, как работают американские компании с похожей моделью.

В своей колонке для Vector Кирилл Сыгыда рассказывает, как поездка в США повлияла на их видение будущего ML-продуктов и понимание специфики работы венчурных студий.

When Content is King, Data is Queen

Венчурная студия Pawa — это контейнер для генерации ML-стартапов. Мы превращаем идею, связанную с машинным обучением, в конечный продукт или решение для крупных корпораций. Pawa работает с гипотезами, которые представлены в виде математической задачи. Они появляются только из доступа к данным, которые мы можем обработать. 

На конференциях говорят о технологических ограничениях ML-алгоритмов. Но правда в том, что алгоритмы ограничены не производительностью процессоров, а наличием или отсутствием данных. Это одновременно и узкое горлышко индустрии, и главный драйвер для новых идей. 

Зачем мы поехали в Долину

Мы делали Reface удаленно, без поездок в другие страны. На тот момент это было правильным решением, потому что большое количество умных людей отговаривало бы нас делать еще один социальный продукт. Если у вас есть четкое видение, лучше никуда не ехать, а сфокусированно работать на месте. 

В этот раз мы хотели протестировать гипотезы о работе Pawa, найти новые и поучиться на опыте американских венчурных студий. СЕО Pawa Анна Шувалова не так давно закончила обучение в Стэнфорде. Это открыло нам доступ к большому количеству людей в Кремниевой Долине. 

Время на незнакомцев

Один из мифов о Долине — она объединяет людей. Вопреки заблуждениям, это не коммуна, соседи там часто не знают друг друга, тем более во время пандемии. Но Долина уникальна подходом местных жителей к своей экспертизе: они не держат ее в сейфе под замком. 

Стэнфорд приучил людей делиться опытом. У них записано, сколько часов в неделю они должны посвятить малознакомым людям. Некоторые наши собеседники приходили на встречи с желанием «отстреляться побыстрее», но в процессе им становилось интересно вести диалог. 

В этой поездке мы приезжали к управляющим фондами на $200–300 млн, они встречали нас с двухмесячным ребенком на руках в домашней одежде и готовы были говорить. 

Многие едут в Долину за деньгами, но мы приехали с капиталом, и это повышало нас в глазах собеседников. Мы уже собрали в Украине $20 млн инвестиций на работу студии, нас интересовал только опыт. 

Венчурная студия — не венчурный фонд

Согласно закону Парето, 20% вашего инвестиционного портфеля принесет 80% прибыли. К сожалению, в нашем случае это не работает, так как Pawa должна не только провалидировать гипотезы и запустить продукты, но и заработать деньги для своих инвесторов. Наша минимальная цель — получить минимум 40% успешных гипотез, а лучше 60%. Как добиться такой конверсии?

Предварительный отбор

Мы приехали в Корнельский университет в Нью-Йорке. Он набирает только тех студентов, которые планируют запускать свой бизнес. В этом университете одним обучением не отделаешься — ты обязан создать продукт. Среди студенческих проектов — 60% успешных и 40% провалов. 

По словам представителей университета, секрет в предварительном отборе обучающихся. Кандидат проходит 10 собеседований, чтобы интервьюеры могли убедиться в его умении строить компании, а не просто работать с теорией. Чем жестче отбор, тем больше вероятность успеха. Мы хотим перенести этот опыт на все команды нашей студии.

С жестким отбором должны сталкиваться не только сотрудники, но и идеи.

Один из наших собеседников в Долине был фанатом баскетбольной лиги NBA и в следующем своем продукте планирует считать математику всех событий на игровой площадке. Нам такая гипотеза не подходит, так как в ней нет заработка и соответственно пользы для наших инвесторов. 

Для Pawa больше подходит идея, о которой нам рассказали братья Либерманы. В одном американском городе власти передали венчурной студии данные локальной электросети. ML-инженеры построили модель, которая позволила городу сэкономить $300 млн. Разработчики получили 5% от этой суммы. Из этого нельзя построить продукт, но у этой идеи есть применение в реальном секторе экономики.

Отличия в структуре

Следующая сложность венчурных студий — структурирование сделок. Венчурная студия отличается от фондов структурой владения капиталом. Типичный фонд участвует в развитии компании деньгами и помогает с ее стратегическим развитием через совет директоров.

В отличие от такого подхода, студия активно участвует в каждом этапе развития компании — от начального поиска и тестирования идеи до построения команды и выведения продукта на рынок. Поэтому студия обычно забирает почти половину доли в стартапе. 

Появляется вопрос — какую долю нужно оставлять команде стартапа, чтобы не потерять ее мотивацию, при этом сохранив прибыльность для инвесторов всей студии. Этот параметр очень сложно оценить. Мы верим в то, что мы можем сделать его плавающим, и менять в зависимости от проекта и вовлечения команды. 

Отрезать лишнее

Срок отказа от идеи — следующая проблема, за решением которой мы поехали в США. Из опыта других студий мы поняли, что на валидацию одной гипотезы нужно три месяца, а средний чек на такую проверку составляет $300 000. При этом работать над одной проблемой должны три-четыре человека, ведь толпа математиков в одной комнате — не самая эффективная модель. 

Отрезать неработающие гипотезы больно, но в этом и заключается наша работа.

Когда мы выбираем математическую гипотезу, над которой будем работать, мы оцениваем три фактора: 

1. Есть ли у нас доступ к данным, которые можно использовать для ее тестирования?
2. Можем ли мы построить модель на этих данных?
3. Будет ли эта модель применима на практике в коммерческом секторе?

Как поездка повлияла на планы

Амбициозная цель Pawa — найти 10 проектов, которые дадут результат в течение трех лет. Такой короткий срок обусловлен тем, что мир становится быстрее и жестче. После Долины я понимаю, что выполнить нашу цель в такие сроки можно только в Украине. 

Мы боремся с фразой: «Как вы себя видите через пять лет?». Я честно отвечу, что не знаю, и в этом нет ничего плохого, ведь индустрия меняется слишком быстро, чтобы прогнозировать на пять лет вперед.

В Pawa мы делаем ставку на то, что ML станет обязательной частью любого бизнеса. Мы выбрали сферы, из которых мы хотим взять гипотезы и сделать их своей доменной экспертизой. 

1. Гейминг. У нас есть доступ к большому количеству игроков и платформ, поэтому мы можем быстро тестировать много гипотез. Здесь также присутствует применимость, о которой я говорил раньше. Игры должны быть умными: игрок чувствует, когда они ведут себя как человек, и заводится, когда его обыгрывают.
2. Здравоохранение. Эта сфера растет каждый год, но это зависит именно от открытия доступа к данным от врачей. 
3. Умный личный помощник, ведь службы поддержки каждой компании стремятся стать более индивидуальными. В далекой перспективе можно представить и персонального ассистента, который вместе с тобой идет по твоему карьерному пути.