كتاب تمهيدي للاستثمار في الذكاء الاصطناعي: دليل عملي لتقييم تدفق صفقات الذكاء الاصطناعي (الجزء الثاني)

ملخص تنفيذي

في منشور سابق ، قمت بمراجعة كتاب تمهيدي أساسي في مجال الذكاء الاصطناعي للمستثمرين المثيرين للاهتمام في وضع المال في الفضاء. على وجه الخصوص ، ناقشت بعض العناصر الأساسية التي يجب على كل مستثمر معرفتها من أجل اتخاذ قرارات استثمارية أكثر استنارة:

• ما هو الذكاء الاصطناعي؟
• ما الذي يميز الموجة الحالية للذكاء الاصطناعي؟
• ما هي المكونات الأربعة الحاسمة لتطبيق ناجح للذكاء الاصطناعي؟

كما تمت مناقشته ، شهد العالم انفجارًا في الاهتمام بالموضوع. ومما لا يثير الدهشة ، أن دولارات الاستثمار اتبعت مسارًا مشابهًا. وفقًا لـ CB Insights ، ارتفعت الصفقات والدولارات للشركات الناشئة في مجال الذكاء الاصطناعي منذ عام 2012 ، مع قفزة هائلة بنسبة 60 ٪ في رأس المال المستثمر إلى 5 مليارات دولار في عام 2016. وقدرت شركة Statista أنه في عام 2017 ، تلقت الشركات الناشئة العالمية في مجال الذكاء الاصطناعي 15.2 مليار دولار في الاستثمار ، وهو رقم أسي زيادة بنسبة 300٪ عن عام 2016. بالإضافة إلى ذلك ، تنتزع شركات التكنولوجيا الكبرى الشركات الناشئة في مجال الذكاء الاصطناعي للمضي قدمًا في سباق الذكاء الاصطناعي.

يهدف منشور المتابعة هذا إلى أن يكون دليلًا عمليًا أكثر للمستثمرين الذين يقومون بتقييم آفاق الاستثمار في الفضاء. على وجه الخصوص ، سوف أتناول الخطوات الخمس الحاسمة لتقييم الاستثمار المرتبط بالذكاء الاصطناعي:

1. رغبة العميل (هل هذا العمل يحل مشكلة عميل جديرة بالاهتمام؟)
2. الجدوى التجارية (هل ستجني الشركة أموالاً كافية؟)
3. الجدوى الفنية (هل يمكن أن تنجح بالفعل ، على نطاق واسع؟)
4. سوء الفهم الشائع (والمعرّض للضجيج) المتعلق بالذكاء الاصطناعي
5. المقاييس المالية والتجارية

يرجى ملاحظة ما يلي: سأستخدم أمثلة لبعض الشركات المشهورة المتداولة علنًا. أنا لا أؤيد أو أحبط القراء على الاستثمار في هذه الشركات.

الخطوة 1: رغبة العميل

في رأيي ، هذه الخطوة هي الأهم من بين الخطوات الخمس الموضحة في هذه المقالة. للبدء ، عليك أن تسأل نفسك - ما المشكلة (المشكلات) التي يحاول العمل حلها باستخدام تقنية الذكاء الاصطناعي؟ على سبيل المثال ، يمكن للسيارات ذاتية القيادة تحسين تجربة التنقل بجعلها أكثر أمانًا وملاءمة ، وما إلى ذلك. تجعل الترجمة الآلية من السهل على البشر التواصل مع بعضهم البعض. على النقيض من ذلك ، فإن نشاط الذكاء الاصطناعي غير مرغوب فيه ، عندما:

• إنه يستهدف مشكلة لا يهتم بها كثير من الناس أو لا يستطيعون دفع ثمنها.
• إنه يستهدف نقطة الألم ولكن هناك الكثير من المشكلات التي يجب حلها لمعالجة نقطة الألم هذه.
• إنها تحاول حل الكثير من المشاكل في نفس الوقت.

هناك مشكلة أخرى صعبة تتعلق بالوقت الذي تحاول فيه الشركة حل مشكلة حرجة للمهمة . أعني بهذا أن حل المشكلة لا يتحمل الخطأ كثيرًا . على سبيل المثال ، إذا كان خطأ برنامج AI للمركبة المستقلة هو 0.001٪ ، حتى لو كان هذا بالفعل معدل خطأ منخفضًا بشكل موضوعي ، فإنه لا يزال غير مقبول. 0.001٪ تعني أنه يمكن أن يتعرض لحادث واحد كل 1000 ساعة من القيادة ومن المحتمل أن يتسبب في خسائر في الأرواح. على العكس من ذلك ، إذا تلقيت توصية خاطئة من Amazon أو Netflix حتى 1٪ فقط من الوقت ، فلن يموت أحد. تعد المخاطر والعوائد المحتملة للمشاريع ذات المهام الحرجة ، مثل السيارات ذاتية القيادة أو التطبيقات الطبية (مثل التشخيص الطبي والروبوتات الجراحية) ، أكبر من المخاطر غير المهمة ، مما يجعل التعامل معها مشكلة أصعب.

الخطوة 2: الجدوى التجارية

بالنسبة للشركات الناضجة التي تنفق الأموال لتطوير تطبيق الذكاء الاصطناعي ، يجب أن يكون لديها حالة عمل قوية لتبرير الاستثمار المسبق. على سبيل المثال ، تريد فيرجينيا رومتي ، الرئيس التنفيذي لشركة IBM ، أن تحقق شركة IBM Watson 10 مليارات دولار في الإيرادات السنوية قبل عام 2024. بالنسبة إلى شركة AI الناشئة ، خاصة إذا كانت قبل الإيرادات ، فإن السؤال المهم الذي أطرحه دائمًا هو: هل السوق كبير بما يكفي لنوع المشاكل الشركة تحل؟ على سبيل المثال ، إذا كانت الشركة تطور تطبيقًا للذكاء الاصطناعي لبلد محدد جدًا في صناعة معينة بإمكانيات سوقية قصوى تبلغ مليون دولار سنويًا ، فهل ستستثمر فيها؟

هناك جانب آخر يجب مراعاته وهو أفق الاستثمار . تستغرق تقنية الذكاء الاصطناعي الأعمق وقتًا أطول لتطوير المنتج. على سبيل المثال ، تختبر شركة Waymo (شركة المركبات ذاتية القيادة التابعة لشركة Google) هذه التقنية منذ عام 2009 ولم تصدر بعد منتجًا تجاريًا. يمكن لشركات تكنولوجيا الذكاء الاصطناعي الأعمق أيضًا أن تستغرق وقتًا طويلاً للحصول على اعتراف السوق وعوائد الاستثمار اللاحقة. خذ Nvidia (NASDAQ: NVDA) كمثال. توفر Nvidia الرقائق الأكثر شيوعًا ، وحدات معالجة الرسومات ، لحساب خوارزميات الشبكة العصبية المستخدمة في العديد من تطبيقات الرؤية الحاسوبية ، بما في ذلك السيارات ذاتية القيادة. بالنظر إلى الرسم البياني لسعر السهم أدناه ، يمكن للمرء أن يلاحظ بوضوح نمط "منحنى S" الشهير الذي تراه في العديد من الأعمال المبتكرة. لكن التوقيت مهم: إذا استثمرت في Nvidia منذ الاكتتاب العام الأولي في عام 1999 ، فلن ترى العائد الرائع إلا بعد عام 2016 ، عندما أصبح التعلم العميق للذكاء الاصطناعي "موضة".

الخطوة الثالثة: الجدوى الفنية

كما تمت مناقشته في مقالتي الأخرى ، أعتقد أن هناك أربعة مكونات رئيسية لنجاح منتج التعلم الآلي (بما في ذلك التعلم العميق): مشاكل محددة جيدًا ومرغوبة ، وبيانات نظيفة ومُصنفة جيدًا ، وخوارزميات قوية ، وقوة حوسبة واسعة النطاق. تحدد الثلاثة الأخيرة الجدوى الفنية لأعمال الذكاء الاصطناعي. سأناقش هنا بإيجاز ما تعنيه هذه المكونات وكيف يمكن للمرء إجراء العناية الواجبة كمستثمر.

أولاً ، يتطلب تطوير خوارزمية التعلم الآلي الوصول إلى بيانات نظيفة وجيدة التسمية. هذا لأنه ، كما ذكرنا سابقًا ، يتم إنشاء هذه الخوارزميات عن طريق تغذية نماذج إحصائية مختلفة بكمية كبيرة من البيانات المصنفة جيدًا لإنشاء العلاقات التنبؤية الضرورية. أثناء قيامك بالبحث في أعمال الذكاء الاصطناعي ، تحتاج إلى معرفة ما إذا كان لديهم إمكانية الوصول إلى البيانات القابلة للاستخدام ، وكيف حصلوا عليها ، وما إذا كان بإمكانهم الاستمرار في الحصول على هذه البيانات . أو ، إذا لم يكن لديهم البيانات بالفعل ، فما هي خطتهم لجمع مثل هذه البيانات؟ سيوفر اتجاه إضفاء الطابع الديمقراطي على بيانات المستهلك والمبادرات مثل الخدمات المصرفية المفتوحة الكثير من الفرص لتطبيقات الذكاء الاصطناعي الجديدة.

ثانيًا ، تحتاج أعمال الذكاء الاصطناعي إلى تطوير خوارزميات قوية وقابلة للتطوير. لتحقيق ذلك ، هناك ثلاثة أشياء لا غنى عنها: الكمية الكبيرة من البيانات المصنفة جيدًا التي تمت مناقشتها أعلاه ، والموهبة المناسبة ، والثقة في أن التعلم العميق هو التكنولوجيا المناسبة لحل المشكلة. لذلك فإن السؤال الرئيسي هو: هل يمكن للشركة جذب المواهب المناسبة ؟ يتم انتزاع أفضل المواهب في مجال الذكاء الاصطناعي ، وخاصة علماء البيانات والمهندسين والمبرمجين الذين لديهم خبرة بالفعل في مجال الذكاء الاصطناعي ، من قبل عمالقة التكنولوجيا مثل Google و Facebook و Microsoft و IBM ، مما يترك عددًا قليلاً جدًا للشركات والشركات الناشئة الأخرى. لجذب أفضل المواهب ، لن يحتاجوا فقط إلى الاستعداد لدفع رواتب ضخمة (على سبيل المثال ، يكسب موظفو مختبر DeepMind التابع لشركة Google 345000 دولار أمريكي في المتوسط) ، بل يحتاجون أيضًا إلى رؤية مقنعة. بالإضافة إلى ذلك ، عليك أن تسأل عما إذا كان التعلم العميق هو أنسب تقنية لحل المشكلة التجارية. على سبيل المثال ، بالنسبة لتطبيق robo -visor لتخصيص أصول مستثمري التجزئة ، يمكن أن يكون تطوير البرنامج المستند إلى القواعد أقل تكلفة بكثير وأسهل في التنفيذ من خوارزمية التعلم العميق . في المقابل ، فإن خوارزمية التعلم الآلي مع القدرة على التعلم من الأخطاء والانتصارات السابقة ، والتي يمكن أن تستمر في تحسين نفسها ، هي أفضل مرشح لخوارزمية استثمار صندوق التحوط. حاليًا ، المجالات التي حققت معظم الاختراقات والأكثر ملاءمة لتقنيات التعلم العميق هي معالجة اللغة الطبيعية (مثل الترجمة الآلية) ، ورؤية الكمبيوتر (مثل التعرف على الوجه ، والسيارات بدون سائق) ، ولعب الألعاب (مثل AlphaGo ، قرار الاستثمار التطوري صناعة).

ثالثًا ، يحتاج العمل إلى القدرة على اكتساب قوة حوسبة واسعة النطاق . كما نوقشت بالتفصيل في مقالتي السابقة ، فإن قوة الحوسبة من الحوسبة السحابية أو خوادم GPU الخاصة بها مكلفة. هناك سؤالان أساسيان تحتاج إلى طرحهما للاجتهاد في هذا الجانب: 1) ما مقدار قوة الحوسبة التي تعد مهمة نموذجية مطلوبة لهذا العمل؟ هل هذه القوة الحاسوبية متاحة اليوم؟ هذا مهم بشكل خاص للتطبيقات التي تتطلب معالجة في الوقت الفعلي ولكن لها مساحة محدودة متاحة فقط على الجهاز الفعلي لاستيعاب وحدات معالجة الرسومات والبطاريات (مثل الطائرات بدون طيار). 2) هل يمكن للشركة تحمل مثل هذه القوة الحاسوبية؟ على سبيل المثال ، يروي كايفو لي قصة مثيرة للاهتمام في كتابه ، الذكاء الاصطناعي ، أن شركة ناشئة للتعلم العميق استثمر فيها أنفقت 7 ملايين يوان (حوالي 1 مليون دولار أمريكي) في الأشهر الثلاثة الأولى فقط لشراء خوادم حوسبة التعلم العميق. ويؤكد كذلك على أن مهمة تدريب نموذج التعلم العميق النموذجية تتطلب اليوم واحدًا أو أكثر من أجهزة الكمبيوتر التي تحتوي على أربعة إلى ثمانية وحدات معالجة رسومات عالية السعة. تتطلب العديد من مهام رؤية الكمبيوتر المئات والآلاف من مجموعات GPU وتنبعث منها حرارة أكثر بمقدار 10 أضعاف من الخادم العادي. كان على بعض فرق الشركات الناشئة في هذه المجالات إعادة تصميم أنظمة التيار المتردد أو شراء قطع ضخمة من الجليد لتبريد الخوادم.

الخطوة 4: سوء الفهم الشائع (والمعرَّض للضجيج) المتعلق بالذكاء الاصطناعي

1. تقوم بعض الشركات بالفعل بتطوير أعمال رقمية جديدة (مثل أتمتة العمليات للبنوك) ، أو خوارزميات التعلم غير الآلي القائمة على القواعد ، لكنها تدعي أنها تعمل بالذكاء الاصطناعي ، بسبب الاهتمام والتقييم الأفضل الذي تحصل عليه أعمال الذكاء الاصطناعي. في إطار العناية الواجبة ، يمكنك محاولة اكتشاف هذه التنكرات من خلال طرح أسئلة عليهم مثل التقنيات الأساسية التي يستخدمونها؟ إذا لم يوظفوا فريقًا كاملاً من علماء البيانات ومهندسي الذكاء الاصطناعي لأنهم يزعمون أنهم يستخدمون "الذكاء الاصطناعي" ، سواء من خلال التعاقد مع شركات تقنية أخرى أو داخليًا ، فقد يكون ذلك بمثابة علامة حمراء.
2. في بعض الأحيان ، يمكن أن يعمل التعلم الآلي + التدخل البشري بشكل أفضل من مجرد الذكاء الاصطناعي. على سبيل المثال ، في الآونة الأخيرة ، أثارت شركة تكنولوجيا الترجمة الصينية ، iFlytek ، جدلاً عندما تم اكتشاف أن جهاز الترجمة الآلية المتزامن الذي يُفترض أنه يستمع ونسخ صوت مترجم متزامن بشري. أوضح iFlytek لاحقًا أن الترجمة في الوقت الفعلي غير ممكنة حاليًا بالسرعة والدقة المطلوبة. يعتقدون أن الجمع بين ذكاء الإنسان والآلة يجلب أفضل حل للنتائج.
3. أخيرًا ، الدرس الرئيسي الذي تعلمته من تجربتي في بدء التشغيل (أيضًا قصة تحذيرية لرواد الأعمال والمستثمرين الطموحين) هو أن هناك فرقًا كبيرًا بين النماذج الأولية للذكاء الاصطناعي العلمي والحلول القابلة للتطوير تجاريًا . عادةً ما يمكن تطوير نموذج أولي علمي بواسطة عالم بيانات موهوب باستخدام برنامج نماذج أولية سريع (مثل MatLab) ، في غضون بضعة أشهر فقط باستخدام ، على سبيل المثال ، 1000 إلى 10000 نقطة بيانات. يتطلب النموذج الأولي القابل للتطوير تجاريًا ، كما تمت مناقشته سابقًا ، ما يلي: 1) أموال لتوظيف متخصصين في الذكاء الاصطناعي (علماء البيانات ، والمهندسين المعماريين ، ومهندسي البرمجيات ، ومديري المنتجات) ، 2) مجموعات البيانات التدريبية مع عشرات الملايين من نقاط البيانات ، 3) برنامج الكمبيوتر (على سبيل المثال) Python ، C ++ ، إلخ) ، 4) أموال لشراء خوادم كمبيوتر التعلم العميق أو حلول الحوسبة السحابية على Amazon AWS و Google Cloud و Microsoft Azure وما إلى ذلك.

الخطوة 5: المقاييس المالية والتجارية

أخيرًا ، يجب عليك الاجتهاد في الإحصائيات المالية لأعمال الذكاء الاصطناعي ووجهات نظر الأعمال غير المالية الخاصة بها ، وتقييمها كما تفعل مع أي شركات تقنية أخرى. انظر إلى التحليل النموذجي كما هو موضح في الجدول أدناه.

تشمل المقاييس المالية وغير المالية التقليدية لتقييم الأعمال الإيرادات وصافي الدخل / التدفقات النقدية ومعدل نمو الإيرادات والنسب (P / E ، P / S ، إلخ) ، والاقتصاد الكلي ، والمنافسين ، والتنظيم ، وما إلى ذلك. تمتلك شركات التكنولوجيا أيضًا خصائصهم الفريدة. أحد الأمثلة هو أن معدل النمو يمكن أن يكون أكثر أهمية من الربحية. بالنسبة إلى الشركات الناشئة في مجال التكنولوجيا في المراحل المبكرة ، تعد إحصاءات المستخدم مثل المستخدمين النشطين والحجوزات أكثر أهمية من الإيرادات أو التدفقات النقدية. يمكن أن تكون التقييمات أعلى بسبب الطلب على هذه الاستثمارات. على سبيل المثال ، تبلغ نسبة السعر إلى العائد لـ Nvidia (NVDA) حوالي 30x P / E ، بينما يتم تداول McDonald's (MCD) عند 20x تقريبًا.

هناك العديد من كتب الاستثمار حول كيفية تقييم الشركة ، لذا لن أتعمق في ذلك بتفاصيل كثيرة هنا. إذا كانت شركة عامة ، فيمكنك الحصول على هذه التفاصيل من الإيداعات العامة مثل التقارير المالية ، أو من مزودي بيانات السوق مثل Google Finance أو Bloomberg. إذا كانت شركة خاصة ، يمكنك الاتصال بإدارة الشركة للحصول على التفاصيل اللازمة.

خاتمة

باختصار ، في رأيي ، أعتقد أن أكثر السمات المرغوبة لاستثمار الذكاء الاصطناعي على المدى القصير إلى المتوسط ​​(وبالتالي ما يجعل الاستثمار في الذكاء الاصطناعي جيدًا) ، هي: 1) حل مشكلة مرغوبة محددة جيدًا و 2) عدم مهمة حرجة (لن يموت أحد إذا فشلت). تشمل هذه الحالات مجالات خدمة العملاء الذكية مثل روبوتات المحادثة (التي لا تستند إلى قواعد بحتة) ، وتشخيص التصوير الطبي ، والتعرف على الوجه ، والترجمة الآلية ، والمستشارين الماليين لمنظمة العفو الدولية ، وألعاب الكمبيوتر ، وما إلى ذلك بالطبع ، على المدى الطويل ، المخاطر العالية / المكافأة العالية للمشاكل الحرجة للمهمة (مثل السيارات بدون سائق) هي الجوائز التي يراقبها الكثيرون . بمجرد أن تحدد أن لديهم مشكلة مرغوبة لحلها ، يمكنك تحليل جدواهم التجارية ، والجدوى الفنية ، والإحصاءات المالية ، ومقاييس الأعمال.

تحتاج أيضًا إلى التفكير في قطاعات الذكاء الاصطناعي المحددة التي ترغب في الاستثمار فيها. تتميز قطاعات الذكاء الاصطناعي المختلفة بإلحاح مختلف لطلب العملاء والاستعداد التكنولوجي ، وبالتالي عوائد ومخاطر استثمار مختلفة. يمكنك الاستثمار في الأجهزة مقابل البرامج مقابل النظام الأساسي مقابل الخدمة ، وفي صناعات مختلفة مثل المالية والتعليم والرعاية الصحية والصناعات. في مقال لاحق ، سأناقش كيف يمكنك البدء في الاستثمار في الذكاء الاصطناعي بما في ذلك القطاعات والتقنيات الواعدة ، وأسلوب الاستثمار (السلبي مقابل النشط) ، والجغرافيات (الولايات المتحدة مقابل الصين مقابل بقية العالم).