Moni AI-yritys aloittaa mallista.
UbiOpsin perustajat löysivät ongelman vasta mallin jälkeen.
Yannick Maltha ja Victor Pereboom tutustuivat opiskeluaikana YES!Delft Students -toiminnan kautta. He puhuivat yrittäjyydestä ja päätyivät auttamaan rakennusyhtiö BAMia dataongelmissa. Siitä syntyi vuonna 2016 Dutch Analytics.
Jorick Naber liittyi myöhemmin kolmanneksi perustajaksi.
Aluksi tiimi rakensi asiakkaille data science- ja koneoppimismalleja. Sitten sama vaikeus alkoi toistua.
Malli saattoi toimia data scientistin koneella, mutta sen muuttaminen luotettavaksi pilvessä pyöriväksi sovellukseksi oli kokonaan uusi työ.
## Asiakastyö paljasti toistuvan ongelman
YES!Delftin mukaan Dutch Analytics teki AI- ja ML-työtä esimerkiksi ProRailin, Siemensin, BAMin ja FrieslandCampinan kanssa.
Projektit opettivat perustajille jotakin, mitä pelkän mallin rakentaminen ei näyttänyt.
Kun malli viedään oikeaan liiketoimintaan, pitää ratkaista muun muassa ajaminen, skaalaus, versiot, rajapinnat, käyttöoikeudet, valvonta ja infrastruktuuri. Malli ei tuota arvoa, jos sitä ei saada osaksi toimivaa järjestelmää.
Sama tekninen työ alkoi toistua asiakas toisensa jälkeen.
Tässä kohdassa Dutch Analytics teki tärkeän tuotehavainnon: jos lähes jokaisessa projektissa rakennetaan samanlaista infrastruktuuria, sitä ei ehkä kannata myydä aina uutena konsultointiprojektina.
Siitä voidaan tehdä tuote.
## Konsultoinnista alustaksi
Dutch Analytics alkoi rakentaa UbiOpsia alustaksi, jolla data scientist tai ohjelmistotiimi voi viedä malleja tuotantoon ilman, että jokaista pilviympäristön osaa rakennetaan itse.
Yhtiö kertoi myöhemmin vaihtaneensa painopisteensä yhä vahvemmin tähän tuotteeseen. Nimi UbiOps alkoi samalla kuvata sitä, mitä yritys halusi myydä: operointikerrosta AI- ja data science -malleille.
Tämä palvelusta tuotteeksi -polku on erityisen kiinnostava teknisessä B2B:ssä.
Konsultointi näyttää ensin tehottomalta, koska jokainen asiakas vaatii työtä. Mutta alkuvaiheessa se voi olla erittäin hyvä tutkimusmenetelmä. Asiakas maksaa siitä, että perustaja pääsee näkemään ongelman sisältä.
Jos sama ratkaisu rakennetaan viidennen kerran, siinä voi olla SaaS-tuotteen alku.
## Ensimmäinen suuri kierros tuli ennen AI-buumia
Joulukuussa 2019 Dutch Analytics ilmoitti kahden miljoonan euron rahoituskierroksesta. Kierrosta johti Global Founders Capital ja mukana oli myös BAM.
Tuolloin yrityksessä oli 20 henkilöä.
Ajankohta on kiinnostava, koska nykyinen generatiivisen AI:n buumi ei ollut vielä alkanut. Yritys rakensi infrastruktuuria perinteisemmille koneoppimis- ja data science -sovelluksille jo silloin, kun “MLOps” ei ollut suuren yleisön termi.
Tämä teki tuotteen ongelmasta vähemmän trendikkään mutta hyvin konkreettisen.
Asiakkaalla oli jo malli. Se halusi sen toimimaan.
## Tuote kasvoi oman työn pullonkaulasta
UbiOps ei syntynyt siitä, että perustajat listasivat suosittuja SaaS-kategorioita.
Se syntyi omasta työstä.
Kun tiimi auttoi asiakkaita rakentamaan malleja, se joutui aina myös rakentamaan tavan käyttää niitä. Mitä enemmän projekteja tehtiin, sitä paremmin tiimi ymmärsi, mitkä osat ovat asiakaskohtaisia ja mitkä toistuvat lähes kaikilla.
Tuotteistamisen kannalta tämä jako on keskeinen.
Jos 80 prosenttia työstä on aina samaa ja 20 prosenttia asiakkaan omaa logiikkaa, vakio-osasta voi syntyä alusta. Jos kaikki on joka kerta täysin erilaista, SaaSiksi muuttaminen on paljon vaikeampaa.
## Yli tuhat käyttäjää
YES!Delft kertoi vuonna 2023 UbiOpsin olevan scaleup-vaiheessa. Alustalla oli sen mukaan yli tuhat käyttäjää ja kymmeniä asiakkaita, ja yrityksellä oli työntekijöitä myös Britannian ja Yhdysvaltojen suunnassa.
UbiOps palvelee nykyisin AI-tiimejä, jotka haluavat ajaa ja hallita malleja pilvessä, hybridimallissa tai omassa infrastruktuurissaan.
Tuote on tekninen, mutta sen alkuperäinen arvolupaus on helppo ymmärtää.
Data scientistin ei pitäisi joutua rakentamaan kokonaisen tuotantoinfrastruktuurin vain siksi, että hän haluaa yhden toimivan mallin käyttäjien saataville.
## Vaikea ongelma voi olla hyvä markkina
Kuluttaja-appissa hyvä idea voidaan joskus näyttää yhdellä videolla.
MLOps-tuotteessa myynti on hitaampaa. Asiakas tarvitsee integraatioita, tietoturvaa, luotettavuutta ja usein pitkän teknisen arvioinnin.
Se tekee yrityksen rakentamisesta vaikeampaa.
Samalla se voi tehdä asiakkaasta pysyvämmän. Kun tuotanto-AI:n kriittiset mallit ajetaan tietyn infrastruktuurin kautta, järjestelmästä tulee osa asiakkaan arkea eikä vain yksi kokeiltu työkalu.
UbiOpsin polku näyttää, että hyvä B2B-SaaS voi löytyä juuri tylsästä kerroksesta, joka on pakko saada toimimaan ennen kuin näkyvä AI-sovellus tuottaa mitään arvoa.
## Kokeile itse
Jos teet asiakastyötä tai rakennat teknisiä projekteja, pidä kahden viikon ajan lista kaikesta, minkä teet toisen kerran.
Älä kirjaa asiakkaan ainutlaatuista sisältöä. Kirjaa toistuvat vaiheet: datan siirto, käyttöoikeudet, raportti, deploy, tarkistus, integraatio tai muu infrastruktuuri.
Merkitse jokaisen kohdalle, kuinka monta tuntia se vie.
Listan kallein toistuva työvaihe voi olla parempi SaaS-idea kuin alkuperäinen asiakasprojekti.
## Mitä tästä voi oppia
**Palvelu voi olla maksullista tuotekehitystä.** Dutch Analytics oppi asiakasprojekteissa, mikä osa työstä toistui.
**AI-malli ei ole valmis tuote.** Arvo syntyy vasta, kun malli voidaan ajaa luotettavasti oikeassa prosessissa.
**Tylsä infrastruktuuri voi olla arvokas markkina.** Käyttäjä näkee sovelluksen, mutta yritys maksaa usein siitä, että taustakerros toimii.
**Tuotteista se, minkä teet jatkuvasti uudelleen.** UbiOps syntyi toistuvasta deploy- ja operointityöstä.
**Ensimmäinen asiakas voi olla myös tuleva sijoittaja.** BAM oli varhainen asiakasympäristö ja osallistui myöhemmin vuoden 2019 rahoituskierrokseen.
**Syvä B2B-tuote kasvaa eri tavalla kuin kuluttaja-appi.** Myynti on hitaampaa, mutta onnistunut tuote voi kytkeytyä hyvin syvälle asiakkaan järjestelmiin.