В новом интервью на YouTube-канале Joma Tech его создатель Джонатан Ма (Jonathan Ma) побеседовал со своим братом Дэвидом Ма, бывшим квант-аналитиком инвестиционного фонда Two Sigma и сооснователем технологического стартапа Dynasty. Главной темой обсуждения стала глубокая трансформация компании от провальной первоначальной идеи к созданию востребованного ИИ-продукта Lisa для автоматизации аренды недвижимости, который в итоге привел к покупке стартапа гигантом AppFolio за 60 миллионов долларов. Собеседники детально разобрали внутреннюю кухню прикладного машинного обучения, прагматичный подход к выбору технологий и ключевые ошибки, из-за которых закрываются большинство современных ИИ-проектов.
🔄 От краха к мультимиллионной сделке: история пивота Dynasty 0:00
История успеха стартапа Dynasty началась с затяжного кризиса и полной смены вектора развития. Изначально основатели планировали создать платформу для секьюритизации активов в сфере недвижимости. Проект задумывался как специализированная цифровая биржа, которая позволила бы розничным инвесторам с небольшим капиталом приобретать доли в жилых домах и коммерческих объектах. Дэвид Ма присоединился к команде в качестве шестого сотрудника, когда в штате было всего 10 человек, однако у компании полностью отсутствовало соответствие продукта рынку (product-market fit), а дела шли из рук вон плохо.
В процессе поиска решений сооснователь проекта Эллиот и его коллеги обнаружили, что у участников рынка недвижимости есть куда более приземленная и болезненная проблема — операционное управление физическими объектами. Сдача жилья в аренду требовала колоссальных временных затрат. В итоге первоначальная идея биржи была признана нереализуемой, около половины команды покинуло стартап, а оставшиеся 5 человек совершили радикальный пивот.
Новым фокусом стал ИИ-ассистент Lisa, предназначенный для автоматизации процессов лизинга. Этот шаг полностью себя оправдал: в текущем году компания официально закрыла сделку по продаже стартапа Dynasty технологическому гиганту AppFolio за 60 миллионов долларов. Сейчас Дэвид Ма занимается масштабированием и адаптацией разработанного ИИ-решения под масштабную клиентскую базу покупателя.
🤖 Как устроена Lisa: автоматизация аренды и «человеческий» ИИ 10:39
Основная ценность платформы Lisa заключается в ликвидации хаоса, с которым сталкиваются арендодатели при размещении объявлений на популярных площадках вроде Zillow. Поток входящих запросов от потенциальных арендаторов обычно сильно фрагментирован: менеджеры тонут в сотнях писем на электронной почте, СМС и телефонных звонках. ИИ-ассистент автоматизирует первичные ответы во всех каналах связи, самостоятельно квалифицирует лидов и координирует расписание показов. В результате агентам по недвижимости остается лишь физически прийти на объект и провести финальную презентацию.
Дэвид Ма выделил несколько ключевых факторов, которые, по его мнению, обеспечили продукту коммерческий успех:
- Гибридная модель обработки диалогов: Около 40% всех текстовых сообщений в системе по-прежнему обрабатываются или проверяются живыми операторами. Если алгоритм сталкивается со сложным или нестандартным вопросом, диалог бесшовно перехватывает человек через интерфейс управления «Command Center». Клиенты ценят это, поскольку люди в массе своей до сих пор испытывают сильное раздражение при общении с очевидными роботами.
- Искусственная психологическая пауза: В ходе тестов команда столкнулась с парадоксом — когда ИИ присылал развернутые ответы мгновенно в течение секунды, потенциальные арендаторы пугались и переставали выходить на связь. Внедрение намеренной задержки ответа на 1–2 минуты резко повысило общую конверсию в диалогах.
- Плотная интеграция с инфраструктурой: Система взаимодействует напрямую с календарями лизинговых агентов, автоматически резервируя свободные слоты для встреч и генерируя регулярную отчетность для собственников бизнеса.
🛠 Прагматичный Machine Learning против академического хайпа 16:41
Главной технической особенностью разработки Lisa стал жесткий отказ от усложнения архитектуры моделей в пользу продуктовой скорости. На этапе создания первых ИИ-компонентов Дэвид Ма занимался проектированием классификатора интентов (намерений пользователей). Вместо использования тяжелых и модных NLP-моделей вроде BERT или ELMo, команда внедрила проверенную и относительно простую архитектуру TextCNN.
По словам Дэвида Ма, тратить месяцы на оптимизацию отдельных алгоритмов ради пары процентов теоретической точности на этапе зарождения бизнеса — критическая ошибка. Гораздо важнее было направить ресурсы на написание надежного программного каркаса вокруг ИИ.
Прикладной ML-инжиниринг, как утверждает спикер, кардинально отличается от академических исследований:
- Проектирование контуров данных: Основное внимание инженера должно быть смещено на то, как именно генерируются данные и как выстроен бизнес-процесс, поставляющий их алгоритму.
- Обработка пограничных сценариев: Необходимо заранее создавать инфраструктуру для работы с неизбежными ложными срабатываниями (false positives) и пропусками целей (false negatives).
- Контроль деградации моделей: В динамических средах (например, в высокочастотном трейдинге или таргетированной рекламе) эффективность алгоритмов быстро падает из-за изменения внешних факторов. В сфере лизинга лингвистические паттерны стабильны, но мониторинг качества все равно необходим.
⚠️ Ловушки для стартапов: почему ИИ-проекты терпят неудачу 21:02
Основываясь на опыте Dynasty и анализе рынка, Дэвид Ма сформулировал две ключевые ментальные ловушки, в которые попадают современные технологические компании:
- Слепое копирование научной литературы. Чрезмерное увлечение свежими академическими публикациями вредит бизнесу. Требуется слишком много времени, чтобы лабораторные концепты созрели для коммерческого использования, к тому же значительная часть академических статей страдает от проблемы невоспроизводимости результатов.
- Попытка решить ИИ слишком абстрактные задачи. В качестве примера гость привел проекты, пытавшиеся создать универсальных ИИ-секретарей. Реальный мир слишком вариативен для комплексной автоматизации «из коробки». Даже в узкой нише аренды банальный вопрос «Сколько стоит снять квартиру?» скрывает в себе десятки нюансов: тип планировки (студия или двухкомнатная), дата заселения, длительность контракта и доступность конкретных лотов в пуле арендодателя.
Чтобы не тратить ресурсы впустую, в Dynasty была выработана строгая трехэтапная методология автоматизации бизнес-процессов:
- Этап 1: Живой персонал. Любая новая задача сначала полностью закрывается силами людей. Это необходимо, чтобы детально изучить логику процесса и собрать первые реальные данные.
- Этап 2: Программные эвристики. Если задача оказывается рутинной, её переводят на жесткие алгоритмические правила и скрипты без привлечения нейросетей.
- Этап 3: Внедрение прикладного ML. Только тогда, когда система на правилах начинает работать без сбоев, а процессы обработки ошибок отлажены, подключается машинное обучение для точечного повышения точности.
💼 Кадровый голод и прагматичный стек AppFolio 26:03
После поглощения ИИ-подразделение Dynasty продолжает активно расширять штат, однако критерии отбора кандидатов остаются жесткими. Позиция прикладного ML-инженера в компании требует в первую очередь выдающихся навыков классической программной инженерии (Software Engineering).
Дэвид Ма подчеркнул, что в их структуре нет места узким специалистам, которые согласны заниматься исключительно обучением нейросетей, перекладывая рутинное написание бэкенда на коллег. Инженеры обязаны самостоятельно проектировать архитектуру баз данных, сервисные слои и интерфейсы взаимодействия.
Технологический стек команды сформирован на принципах максимального прагматизма:
- Инструменты машинного обучения: Использование стандартных библиотек экосистемы Python, включая TensorFlow.
- Основной бэкенд: Проверенная временем, стабильная и легко масштабируемая инфраструктура Java.
Команда осознанно избегает хайповых, но не проверенных промышленной эксплуатацией технологий ради предсказуемости бизнеса. Подать резюме в команду теперь можно напрямую через официальный карьерный портал холдинга AppFolio.
