Pear VC, sebuah perusahaan ventura terkemuka yang berfokus pada pra-benih dan benih, telah menjalankan akselerator selama sekitar satu dekade dengan sekitar 10 startup di setiap batchnya.
Selama tahun-tahun tersebut, program kecil namun hebat ini telah membantu meluncurkan banyak perusahaan seperti Viz.ai, yang AI-nya disetujui FDA dapat mendiagnosis stroke (dan telah senilai $1,2 miliar pada tahun 2022), perusahaan manajemen hubungan Affinity yang mengumpulkan $80 juta Seri C dengan penilaian $620 juta, menurut data PitchBook, dan Valar Labs, yang menggunakan AI untuk membantu dokter membuat keputusan pengobatan kanker. (Ini menutup Seri A senilai $22 juta pada bulan Mei.)
Tahun ini, Pear telah memutuskan bahwa inilah saatnya untuk meningkatkan ukuran akseleratornya dan memberikan lebih banyak layanan kepada perusahaan dengan menawarkan bantuan perekrutan dan ruang di dalam kantor barunya di San Francisco seluas 30.000 kaki persegi. Kedepannya, program berdurasi 14 minggu, yang sekarang disebut PearX, akan dijalankan dua kali setahun. Setiap batch akan terdiri dari sekitar 20 perusahaan. Program yang lebih besar ini masih jauh dari program Y Combinator yang menerima ratusan startup setiap tahunnya.
Bukan hanya ukurannya yang lebih kecil yang membedakan PearX dengan YC. Startup di setiap batch biasanya tidak diumumkan hingga hari demo, sebuah acara tatap muka yang dihadiri oleh lebih dari seratus mitra umum VC, termasuk dari perusahaan ternama seperti Sequoia, Benchmark, dan Index Ventures. Meskipun YC mengatakan bahwa mereka menawarkan persyaratan standar yang sama kepada setiap perusahaan, pendanaan yang diterima startup PearX dari perusahaan tersebut dapat berkisar antara $250.000 hingga $2 juta, tergantung pada kebutuhan dan tahap pengembangan.
Hari demo tahun ini, yang berlangsung awal bulan ini, melibatkan 20 perusahaan, yang sebagian besar berfokus pada AI. Diantaranya, berikut adalah lima hal yang menonjol bagi kami dan hadirin dengan pendekatan baru terhadap masalah bisnis yang kompleks.
Kegunaannya: mengidentifikasi infrastruktur terbaik untuk aplikasi AI multi-model
Mengapa ini menonjol: Perusahaan AI ingin memastikan mereka menggunakan alat terbaik untuk melakukan pekerjaan tersebut. Mencari tahu LLM atau model bahasa kecil mana yang terbaik untuk setiap aplikasi bisa memakan waktu, terutama karena model ini terus berubah dan ditingkatkan.
Nuetrino ingin memudahkan perusahaan AI menemukan perpaduan model dan sistem lain yang tepat untuk digunakan dalam aplikasi mereka. Dengan cara ini, pengembang dapat bekerja lebih cepat dan menghemat uang dalam menjalankan produknya.
Kegunaannya: Mengotomatiskan riset pasar
Mengapa ini menonjol: Merek menghabiskan jutaan setiap tahun untuk riset pasar. Proses survei calon pelanggan memakan waktu. Agen Quno AI dapat menghubungi pelanggan dan mengumpulkan data kualitatif dan kuantitatif. Hasilnya kemudian dapat dianalisis secara real-time. Bonusnya adalah AI dapat dengan cepat menganalisis hasil percakapan ini.
Kegunaannya: Mengembangkan model bencana bagi operator asuransi rumah
Mengapa ini menonjol: Dengan meningkatnya bencana alam, perusahaan asuransi properti kesulitan menentukan rumah mana yang paling berisiko mengalami kerusakan parah akibat bencana. Hal itu disebabkan akses informasi mengenai struktur rumah sulit dan mahal untuk diperoleh.
Didirikan oleh dua orang Ph.D di bidang teknik struktural, ResiQuant menciptakan model untuk memperkirakan fitur bangunan dan bagaimana bangunan tersebut akan bertahan selama gempa bumi, angin topan, dan kebakaran. Perusahaan mengklaim hal ini dapat membantu perusahaan asuransi menilai risiko dengan lebih akurat, sehingga berpotensi menurunkan premi asuransi pemilik rumah bagi mereka yang dianggap berisiko lebih rendah.
Kegunaannya: Memantau produksi di dunia nyata dan memperingatkan operator jika ada kesalahan
Mengapa ini menonjol: Pada bulan Januari, pintu Boeing 737 Max meledak di tengah penerbangan karena empat baut penting hilang, menurut penyidik. Situasi tersebut hanyalah salah satu contoh nyata mengenai kesalahan yang mungkin terjadi dalam sistem penjaminan mutu. Namun produsen segala jenis produk mempunyai kebutuhan serupa untuk mendeteksi produk cacat sebelum meninggalkan pabrik.
Dengan menggunakan kamera dan AI, Self Eval berharap dapat mengatasi permasalahan tersebut dengan memverifikasi bahwa tugas diselesaikan dengan benar, dan menandai kesalahan produksi secara real time.
Kegunaannya: Membuat rencana pembelajaran yang disesuaikan dengan kebutuhan masing-masing guru
Mengapa ini menonjol: Perangkat lunak yang menyesuaikan kesulitan berdasarkan pengetahuan individu siswa telah tersedia selama beberapa waktu. Namun, para pendiri TeachShare berpendapat bahwa banyak perusahaan pendidikan masih menawarkan pendekatan universal dalam pengembangan kurikulum. Hal ini memaksa guru untuk menghabiskan banyak waktu untuk memodifikasi rencana pembelajaran agar sesuai dengan ruang kelas mereka. TeachShare bertujuan untuk membantu guru dalam menyesuaikan konten harian, memastikan keselarasan dengan standar pendidikan.
