Стартап из Таджикистана во время программы Silkway Accelerator привлек $1,1 млн инвестиций

Изначально мы планировали поднять $600 тысяч при оценке в $6 миллионов. Мы этого достигли, но к концу акселератора к нам пришло два дополнительных оффера — оба на $500 тысяч. Началась «конкуренция» венчурных инвесторов. В итоге мы подняли $1,1 миллионов при оценке в $10 миллионов.

Break-even: количество платящих enterprise клиентов за лицензионный доступ к нашему софту искусственного интеллекта увеличилось с 1 до 7. Этот результат позволил нам достичь безубыточности — редкость для B2B SaaS (нашего сегмента) на такой ранней стадии. Pivot: генерация синтетических данных с учетом «черных лебедей». Одна из главных проблем стартапов в сфере ИИ заключается в том, что исходные коды библиотек являются open source. Любой enterprise клиент, нанимая data science команду, имеет доступ к тому же random forest или gradient boosting (методы машинного обучения – прим. Digital Business). Реальное преимущество можно строить на уникальных данных и/или собственном коде. У zypl.ai изначально было преимущество в том, что что у нас была большая база реальных данных (>1 миллиона обезличенных кредитов). Но нам хотелось пойти дальше и сделать что-то собственное в коде. Если вкратце, то для банков/МФО большая проблема заключается в том, что они строят скоринги сугубо на своих данных (+ кредитного бюро). Генерируя синтетические данные, мы строим скоринги для каждого отдельного банка/МФО с учетом того, как выглядит весь рынок сейчас и какова может быть динамика. В процессе мы обучаем модели ИИ на «черных лебедей» (труднопрогнозируемые события с большими последствиями – прим. Digital Business), которые мы настраиваем в коде. Для банков/МФО этот подход дает стабильность во время макробурь, которые часто случаются в развивающихся рынках.