AI Investment Primer: Ein praktischer Leitfaden zur Bewertung des Dealflows mit künstlicher Intelligenz (Teil II)

Zusammenfassung

In einem früheren Beitrag habe ich eine grundlegende Einführung in den Bereich der KI für Investoren durchgearbeitet, die daran interessiert sind, Geld in den Raum zu stecken. Insbesondere habe ich einige wesentliche Elemente besprochen, die jeder Anleger kennen sollte, um fundiertere Anlageentscheidungen zu treffen:

• Was ist KI?
• Was ist das Besondere an der aktuellen KI-Welle?
• Was sind die vier kritischen Komponenten einer erfolgreichen KI-Anwendung?

Wie bereits erwähnt, ist das Interesse an diesem Thema weltweit explodiert. Und es überrascht nicht, dass die Investitionsdollars einen ähnlichen Weg eingeschlagen haben. Laut CB Insights sind die Deals und Dollars für KI-Startups seit 2012 gestiegen, mit einem enormen Sprung von 60 % des investierten Kapitals auf 5 Milliarden US-Dollar im Jahr 2016. Statista schätzt, dass 2017 globale KI-Startups 15,2 Milliarden US-Dollar an Investitionen erhalten haben, ein Exponent 300 % Steigerung gegenüber 2016. Darüber hinaus schnappen sich die großen Technologieunternehmen KI-Startups, um im KI-Rennen voranzukommen.

Dieser Folgebeitrag soll ein praktischerer Leitfaden für Investoren sein, die Investitionsaussichten in diesem Bereich bewerten. Insbesondere werde ich die fünf kritischen Schritte zur Bewertung einer KI-bezogenen Investition durchgehen:

1. Kundenerwünschtheit (Löst dieses Unternehmen ein lohnendes Kundenproblem?)
2. Wirtschaftlichkeit (wird das Unternehmen genug Geld verdienen?)
3. Technische Machbarkeit (kann es tatsächlich in großem Maßstab funktionieren?)
4. Häufige (und Hype-anfällige) Missverständnisse im Zusammenhang mit KI
5. Finanz- und Geschäftskennzahlen

Bitte beachten Sie: Ich werde die Beispiele einiger bekannter börsennotierter Unternehmen verwenden. Ich befürworte oder entmutige Leser nicht, in diese Unternehmen zu investieren.

Schritt 1: Kundenerwünschtheit

Meiner Meinung nach ist dieser Schritt der wichtigste der fünf in diesem Artikel beschriebenen. Zunächst müssen Sie sich fragen: Welche Probleme versucht das Unternehmen mit KI-Technologie zu lösen? Beispielsweise können selbstfahrende Autos das Mobilitätserlebnis verbessern, indem sie es sicherer, bequemer usw. machen. Die maschinelle Übersetzung erleichtert es Menschen, miteinander zu kommunizieren. Im Gegensatz dazu ist ein KI-Geschäft nicht wünschenswert, wenn:

• Es zielt auf ein Problem ab, das nicht viele Menschen interessiert oder für das sie bezahlen können.
• Es zielt auf einen Schmerzpunkt ab, aber es müssen zu viele Probleme gelöst werden, um diesen Schmerzpunkt anzugehen.
• Es versucht, zu viele Probleme gleichzeitig zu lösen.

Ein weiteres kniffliges Problem bezieht sich darauf, wenn ein Unternehmen versucht, ein unternehmenskritisches Problem zu lösen . Damit meine ich, dass _ die Lösung des Problems eine sehr geringe Fehlertoleranz hat_ . Wenn beispielsweise der Fehler einer KI-Software für autonome Fahrzeuge 0,001 % beträgt, ist dies, auch wenn dies objektiv bereits eine sehr niedrige Fehlerquote ist, immer noch nicht tolerierbar. 0,001 % bedeutet, dass alle 1000 Fahrstunden 1 Unfall passieren und möglicherweise Menschenleben kosten kann. Im Gegenteil, wenn Sie auch nur in 1% der Fälle die falsche Amazon- oder Netflix-Empfehlung erhalten, wird niemand sterben. Die potenziellen Risiken und Renditen für unternehmenskritische Projekte wie selbstfahrende Autos oder medizinische Anwendungen (z. B. medizinische Diagnose, chirurgische Roboter) sind größer als bei nicht unternehmenskritischen Projekten, was die Handhabung schwieriger macht.

Schritt 2: Kommerzielle Realisierbarkeit

Ausgereifte Unternehmen, die Geld für die Entwicklung einer KI-Anwendung ausgeben, sollten einen robusten Business Case haben, um die Vorabinvestition zu rechtfertigen. Beispielsweise möchte IBM CEO Virginia Rometty, dass IBM Watson vor 2024 einen Jahresumsatz von 10 Milliarden US-Dollar erwirtschaftet. Für ein KI-Startup, insbesondere wenn es sich um Pre-Revenue handelt, stelle ich mir immer eine wichtige Frage: Ist der Markt groß genug für die Art von Problemen? das Unternehmen löst? Wenn das Unternehmen beispielsweise eine KI-Anwendung für ein ganz bestimmtes Land in einer bestimmten Branche mit einem maximalen Marktpotenzial von 1 Million US-Dollar pro Jahr entwickelt, würden Sie darin investieren?

Ein weiterer Aspekt, den Sie berücksichtigen müssen, ist der Anlagehorizont . Tiefere KI-Technologie braucht länger, um das Produkt zu entwickeln. Zum Beispiel testet Waymo (Googles Unternehmen für autonom fahrende Fahrzeuge) diese Technologie seit 2009 und hat immer noch kein kommerzielles Produkt herausgebracht. Deeper KI-Technologieunternehmen können auch lange brauchen, um die Marktanerkennung und die daraus resultierenden Investitionsrenditen zu erhalten. Nvidia (NASDAQ: NVDA) als Beispiel nehmen. Nvidia liefert die beliebtesten Chips, GPUs, für die Berechnung der neuronalen Netzwerkalgorithmen, die in vielen Computer-Vision-Anwendungen verwendet werden, einschließlich selbstfahrender Autos. Wenn man sich das unten stehende Aktienkursdiagramm ansieht, kann man deutlich das berühmte „S-Kurven“-Muster erkennen, das man in vielen innovativen Unternehmen sieht. Aber das Timing ist wichtig: Wenn Sie seit dem Börsengang von Nvidia im Jahr 1999 investiert hätten, hätten Sie die schöne Rendite erst nach 2016 gesehen, als Deep-Learning-KI „in Mode“ wurde.

Schritt 3: Technische Machbarkeit

Wie in meinem anderen Artikel erörtert, gibt es meines Erachtens vier Schlüsselkomponenten für den Erfolg eines Produkts für maschinelles Lernen (einschließlich Deep Learning): klar definierte und wünschenswerte Probleme, saubere und gut gekennzeichnete Daten, robuste Algorithmen und umfangreiche Rechenleistung. Die letzten drei bestimmen die technische Machbarkeit des KI-Geschäfts. Hier werde ich kurz darauf eingehen, was diese Komponenten bedeuten und wie man als Investor eine Due Diligence durchführen kann.

Erstens erfordert die Entwicklung eines maschinellen Lernalgorithmus den Zugriff auf saubere und gut gekennzeichnete Daten. Dies liegt daran, dass diese Algorithmen, wie bereits erwähnt, aufgebaut werden, indem sie verschiedenen statistischen Modellen eine große Datenmenge zuführen, die gut gekennzeichnet ist, um die notwendigen Vorhersagebeziehungen herzustellen. Wenn Sie das KI-Geschäft recherchieren, müssen Sie wissen, ob sie Zugang zu nutzbaren Daten haben, wie sie diese erhalten haben und ob sie diese Daten weiterhin erhalten können . Oder, wenn sie die Daten noch nicht haben, was ist ihr Plan, solche Daten zu sammeln? Der Trend zur Demokratisierung von Verbraucherdaten und Initiativen wie Open Banking bieten viele Möglichkeiten für neue KI-Anwendungen.

Zweitens muss ein KI-Unternehmen robuste, skalierbare Algorithmen entwickeln. Um dies zu erreichen, sind drei Must-Haves erforderlich: die große Menge an gut gekennzeichneten Daten, die oben diskutiert wurden, das richtige Talent und das Vertrauen, dass Deep Learning die geeignete Technologie zur Lösung des Problems ist. Eine Schlüsselfrage lautet daher: Kann das Unternehmen die richtigen Talente anziehen ? Top-KI-Talente, insbesondere Datenwissenschaftler, Ingenieure und Programmierer, die bereits Erfahrung mit KI haben, werden von Technologiegiganten wie Google, Facebook, Microsoft und IBM geschnappt, sodass nur sehr wenige für andere Unternehmen und Startups übrig bleiben. Um Top-Talente anzuziehen, müssten sie nicht nur bereit sein, satte Gehälter zu zahlen (z. B. verdienen Mitarbeiter von Googles DeepMind-Labor im Durchschnitt ~345.000 US-Dollar pro Jahr), sondern auch eine überzeugende Vision. Darüber hinaus müssen Sie sich fragen, ob Deep Learning die am besten geeignete Technologie zur Lösung des kommerziellen Problems ist. Beispielsweise kann für eine Robo-Advisor-Anwendung für die Vermögensallokation von Privatanlegern ein regelbasiertes Programm viel kostengünstiger zu entwickeln und einfacher zu implementieren sein als ein Deep-Learning-Algorithmus . Im Gegensatz dazu ist ein maschineller Lernalgorithmus mit der Fähigkeit, aus vergangenen Fehlern und Siegen zu lernen und der sich weiter verbessern kann, ein besserer Kandidat für einen Hedgefonds-Investitionsalgorithmus. Derzeit sind die Bereiche, die die meisten Durchbrüche erzielt haben und die für Deep-Learning-Technologien am besten geeignet sind, die Verarbeitung natürlicher Sprache (z. B. maschinelle Übersetzung), Computer Vision (z. B. Gesichtserkennung, fahrerlose Autos) und Spiele (z. B. AlphaGo, evolutionäre Investitionsentscheidung Herstellung).

Drittens muss das Unternehmen in der Lage sein, umfangreiche Rechenleistung zu erwerben . Wie in meinem vorherigen Artikel ausführlich besprochen, ist die Rechenleistung von Cloud-Computing oder eigenen GPU-Servern kostspielig. Es gibt zwei Schlüsselfragen, die Sie stellen müssen, um diesen Aspekt sorgfältig zu stellen: 1) Wie viel Rechenleistung ist eine typische Aufgabe, die für dieses Geschäft erforderlich ist? Ist eine solche Rechenleistung heute verfügbar? Dies ist besonders wichtig für Anwendungen, die Echtzeitverarbeitung erfordern, aber nur begrenzten verfügbaren Platz auf dem eigentlichen Gerät haben, um GPUs und Batterien (z. B. Drohnen) unterzubringen. 2) Kann sich das Unternehmen eine solche Rechenleistung leisten? Zum Beispiel erzählt Kaifu Lee in seinem Buch Artificial Intelligence eine interessante Geschichte, dass ein Deep-Learning-Startup, in das er investiert hat, in den ersten 3 Monaten 7 Millionen RMB (~1 Million USD) ausgegeben hat, nur um Deep-Learning-Computing-Server zu kaufen. Er betont weiter, dass heute eine typische Schulungsaufgabe für Deep-Learning-Modelle einen oder mehrere Computer mit vier bis acht Hochleistungs-GPUs erfordert. Viele Computer-Vision-Aufgaben erfordern Hunderte und Tausende von GPU-Clustern und geben 10-mal mehr Wärme ab als ein normaler Server. Einige der Startup-Teams in diesen Bereichen mussten AC-Systeme umgestalten oder riesige Eisbrocken kaufen, um die Server zu kühlen.

Schritt 4: Häufige (und Hype-anfällige) Missverständnisse im Zusammenhang mit KI

1. Einige Unternehmen entwickeln eigentlich nur neue digitale Geschäfte (z. B. Prozessautomatisierung für Banken) oder regelbasierte Algorithmen für nicht maschinelles Lernen, behaupten aber, sie seien KI , weil KI-Geschäfte Aufmerksamkeit und bessere Bewertung erhalten. In Ihrer Sorgfaltspflicht können Sie versuchen, diese Verkleidungen herauszufinden, indem Sie ihnen Fragen stellen, z. B. welche zugrunde liegenden Technologien sie verwenden. Wenn sie kein ganzes Team von Datenwissenschaftlern und KI-Ingenieuren eingestellt haben, seit sie behaupten, dass sie „KI“ verwenden, sei es durch Verträge mit anderen Technologieunternehmen oder intern, dann kann dies ein Warnsignal sein.
2. Manchmal können maschinelles Lernen und menschliches Eingreifen besser funktionieren als nur KI. So löste beispielsweise das chinesische Unternehmen für Übersetzungstechnologie iFlytek kürzlich eine Kontroverse aus, als entdeckt wurde, dass sein angeblich simultanes maschinelles Übersetzungsgerät lediglich die Stimme eines menschlichen Simultanübersetzers abhört und kopiert. iFlytek erklärte später, dass eine Echtzeitübersetzung derzeit nicht mit der erforderlichen Geschwindigkeit und Genauigkeit möglich ist. Sie denken, dass die Kombination aus menschlicher und maschineller Intelligenz die beste Lösung für Ergebnisse bringt.
3. Schließlich ist meine wichtigste Lehre aus meiner Startup-Erfahrung (auch eine warnende Geschichte für aufstrebende Unternehmer und Investoren), dass es einen großen Unterschied zwischen wissenschaftlichen KI-Prototypen und kommerziell skalierbaren Lösungen gibt . Typischerweise kann ein wissenschaftlicher Prototyp von einem talentierten Datenwissenschaftler mit einer schnellen Prototyping-Software (z. B. MatLab) in nur wenigen Monaten entwickelt werden, wobei beispielsweise 1000 bis 10.000 Datenpunkte verwendet werden. Ein kommerziell skalierbarer Prototyp erfordert, wie bereits erwähnt, Folgendes: 1) Mittel zur Einstellung von KI-Spezialisten (Datenwissenschaftler, Architekten, Softwareingenieure, Produktmanager), 2) Trainingsdatensätze mit mehreren zehn Millionen Datenpunkten, 3) Computerprogramm (z Python, C++ usw.), 4) Mittel zum Kauf von Deep-Learning-Computerservern oder Cloud-Computing-Lösungen auf Amazon AWS, Google Cloud, Microsoft Azure usw.

Schritt 5: Finanz- und Geschäftskennzahlen

Schließlich sollten Sie die Finanzstatistiken des KI-Geschäfts und seine nichtfinanziellen Geschäftsperspektiven sorgfältig prüfen und so bewerten, wie Sie es für andere Technologieunternehmen tun würden. Siehe die Beispielanalyse, wie in der folgenden Tabelle dargestellt.

Zu den traditionellen finanziellen und nichtfinanziellen Kennzahlen zur Bewertung des Unternehmens gehören Umsatz, Nettoeinkommen/Cashflows, Umsatzwachstumsrate, Kennzahlen (KGV, P/S usw.), Makroökonomie, Wettbewerber, Regulierung usw. Auch Technologieunternehmen haben sie ihre eigenen einzigartigen Eigenschaften. Ein Beispiel ist, dass die Wachstumsrate wichtiger sein kann als die Rentabilität. Für Tech-Startups in der Frühphase sind Benutzerstatistiken wie aktive Benutzer und Buchungen wichtiger als Einnahmen oder Cashflows. Die Bewertungen können aufgrund der Nachfrage nach solchen Anlagen höher sein. Beispielsweise liegt das KGV für Nvidia (NVDA) bei ~30x KGV, während McDonald’s (MCD) bei ~20x gehandelt wird.

Es gibt viele Anlagebücher darüber, wie man ein Unternehmen bewertet, also werde ich hier nicht zu sehr ins Detail gehen. Wenn es sich um eine Aktiengesellschaft handelt, können Sie diese Details aus öffentlichen Unterlagen wie Finanzberichten oder von Marktdatenanbietern wie Google Finance oder Bloomberg erhalten. Wenn es sich um ein privates Unternehmen handelt, können Sie sich an die Unternehmensleitung wenden, um die erforderlichen Details zu erhalten.

Fazit

Zusammenfassend denke ich, dass die kurz- bis mittelfristig erstrebenswertesten Attribute für eine KI-Investition (und daher das, was eine gute KI -Investition ausmacht) folgende sind: 1) Lösung eines klar definierten wünschenswerten Problems und 2) Nicht- geschäftskritisch (niemand wird sterben, wenn es fehlschlägt). Diese Fälle umfassen die Bereiche Smart Customer Service wie Chatbots (nicht rein regelbasiert), bildgebende medizinische Diagnose, Gesichtserkennung, maschinelle Übersetzung, KI-Finanzberater, Computerspiele usw. Natürlich ist auf lange Sicht das hohe Risiko gegeben /Hohe Belohnung Missionskritische Probleme (z. B. fahrerlose Autos) sind die Preise, die viele im Auge haben . Sobald Sie festgestellt haben, dass sie ein wünschenswertes Problem zu lösen haben, können Sie ihre kommerzielle Realisierbarkeit, technische Machbarkeit, Finanzstatistiken und Geschäftskennzahlen analysieren.

Sie müssen auch über die spezifischen KI-Branchen nachdenken, in die Sie investieren möchten. Verschiedene KI-Branchen haben unterschiedliche Dringlichkeit der Kundennachfrage und Technologiereife und daher unterschiedliche Anlagerenditen und -risiken. Sie können in Hardware vs. Software vs. Plattform vs. Service und in verschiedene Branchen wie Finanzen, Bildung, Gesundheitswesen und Industrie investieren. In einem nachfolgenden Artikel werde ich erörtern, wie Sie mit der Investition in KI beginnen können, einschließlich der vielversprechendsten Branchen und Technologien, des Anlagestils (passiv vs. aktiv) und der geografischen Lage (USA vs. China vs. Rest der Welt).