KI-Investitionsleitfaden: Grundlagen schaffen (Teil I)

Zusammenfassung

In den letzten Jahren hat die Welt eine Explosion des Interesses an künstlicher Intelligenz (KI) erlebt. Ein Konzept, das einst hauptsächlich auf das Sci-Fi-Genre beschränkt war, ist KI zu einem Teil unseres Alltags geworden. Wir lesen die ganze Zeit in den Nachrichten darüber, sehen Videos von unheimlich aussehenden Robotern, die zur Melodie von Uptown Funk tanzen, und hören, wie sich KI-Anwendungen selbst in die unerwartetsten Sphären unseres täglichen Lebens einschleichen. Aber ist es ein Hype?

Es könnte sein. Laut Gartners Hype Cycle for Emerging Technologies befinden sich demokratisierte KI-Trends wie AI PaaS (Platform as a Service), künstliche allgemeine Intelligenz, autonomes Fahren und Deep Learning an verschiedenen Punkten der Kurve, wobei Deep Neural Nets an der Spitze stehen überhöhte Erwartungen. Aber auch wir profitieren bereits täglich von KI. Von Siri über Cortana bis hin zu Alexa können wir uns jetzt mit intelligenten Assistenten unterhalten. Von der KI-gestützten Suchmaschine von Google bis hin zu Instagram-Filtern genießen wir jetzt den Komfort schneller, relevanterer Antworten auf unsere Bedürfnisse. In China, wo die KI-Innovation floriert, treiben Unternehmen wie die Gesichtserkennungstechnologie von Face++ die sofortige ID-Authentifizierung für Banken voran, während Apps wie TikTok kurze Videos an Millionen von Teenagern senden (was tatsächlich zu erheblichen Kontroversen führt).

Ich persönlich glaube, dass, obwohl es sicherlich einige übertriebene Erwartungen und Unternehmen gibt, KI die Zukunft ist . Ich habe mein eigenes KI-Startup in der Frühphase gegründet, um diese einmalige Gelegenheit zu nutzen, an der technologischen Revolution teilzuhaben. Als ehemaliger VC-Investor halte ich auch ständig Ausschau nach Investitionsmöglichkeiten in KI. Ich glaube daher, dass trotz des unbestreitbaren Lärms, der den Weltraum umgibt, der enorme Anstieg der KI-Investitionen auch gerechtfertigt ist.

Aber vor diesem Hintergrund überrascht es mich, dass gerade in der Investment-Community immer noch eine große Verständnislücke besteht. Investoren sind bestrebt, Geld einzusetzen, aber ihnen fehlt oft wichtiges Grundwissen, das meiner Meinung nach erforderlich ist, um in diesem Bereich ein effektiver Investor zu sein. Der Zweck dieses Artikels ist es daher, nützliche Zusammenhänge und Informationen für diejenigen bereitzustellen, die an Investitionen in diesem spannenden Bereich interessiert sind. Angesichts der Breite des vorliegenden Themas habe ich meine Gedanken in zwei Teile geteilt, wobei der erste darauf abzielt, einige wesentliche Elemente zu diskutieren, die man wissen muss, um mit der KI-Reise zu beginnen – eine Art 101. Der zweite Teil dieser Serie wird praxisorientierter sein und tiefer in das Thema der Bewertung von KI-Investitionen und der verschiedenen Investitionsmöglichkeiten eintauchen.

NB Dieser Beitrag soll nicht technisch sein. Es richtet sich an Investoren und die breitere Finanzwelt und damit an nicht-technische Leser.

Was ist KI?

Es gibt tatsächlich viele Definitionen von KI. Wenn ich also gebeten werde, sie zu definieren, greife ich oft auf die gute alte Wikipedia zurück, die meiner Meinung nach für ein nicht technisch versiertes Publikum eine zufriedenstellende Definition bietet:

Künstliche Intelligenz (KI), manchmal auch als Maschinenintelligenz bezeichnet, ist Intelligenz, die von Maschinen demonstriert wird, im Gegensatz zur natürlichen Intelligenz von Menschen und anderen Tieren.

Mit anderen Worten, jede nicht-natürliche Intelligenz ist „künstliche“ Intelligenz, unabhängig davon, wie sie erreicht wird. Zu den Techniken, die zum Erreichen von KI verwendet werden, gehören Wenn-Dann-Regeln, Logik, Entscheidungsbäume, Regressionen und maschinelles Lernen, einschließlich Deep Learning. Eines meiner liebsten und lustigsten Tools, um zu erklären, wie KI funktioniert, ist dieses Video darüber, wie ein Computer lernt, Super Mario zu spielen.

Wenn Sie über KI sprechen, werden Sie unweigerlich diese drei Schlüsselbegriffe hören: KI, maschinelles Lernen und tiefes Lernen. Sie werden manchmal synonym verwendet, aber sie sind unterschiedlich. Einfach ausgedrückt ist maschinelles Lernen eine Teilmenge von Techniken, die in der KI verwendet werden. Deep Learning ist eine Teilmenge von Techniken, die beim maschinellen Lernen verwendet werden .

Der Nvidia-Blog fasst die Beziehung zwischen den drei Begriffen gut zusammen. Es bietet auch einen praktischen Überblick über die drei Wellen der KI-Entwicklung. Die erste KI-Welle fand in den 50er und 60er Jahren statt und erlebte einige der ersten großen Meilensteine, wie zum Beispiel den Sieg des IBM 701 im Damespiel gegen Damemeister Robert Nealey. In den 80er und 90er Jahren schlug Deep Blue den menschlichen Meister Kasparov im Schach. Im März 2016 schlug AlphaGo den Go-Spieler Nr. 1 Lee Sedol. Jedes Mal, wenn KI menschliche Meister in Spielen besiegte, löste dies eine neue Hype-Phase für KI aus. Da die Technologie dann keine Anwendungen liefern könnte, die den Erwartungen der Öffentlichkeit entsprechen, würde sich der KI-Hype in einen KI-Winter mit schwindenden Investitionen und Forschungsgeldern verwandeln.

Wie bereits erwähnt, ist maschinelles Lernen eine Teilmenge der KI. Laut Nvidia ist maschinelles Lernen im Grunde „die Praxis, Algorithmen zu verwenden, um Daten zu parsen, daraus zu lernen und dann eine Entscheidung oder Vorhersage über etwas in der Welt zu treffen. Anstatt Softwareroutinen mit einem bestimmten Satz von Anweisungen manuell zu programmieren, um eine bestimmte Aufgabe zu erfüllen, wird die Maschine mit großen Datenmengen und Algorithmen „trainiert“, die ihr die Fähigkeit verleihen, zu lernen, wie die Aufgabe ausgeführt wird.“ Ein sehr häufiges Beispiel für maschinelles Lernen ist der Spamfilter. Der Spamfilter von Google kann Spam erkennen, indem er Auslösewörter wie „Prinz“, „Nigeria“ und „Luxusuhr“ identifiziert. Es kann auch weiterhin von der manuellen Spam-Klassifizierung der Benutzer „lernen“. Beispielsweise wurde eine E-Mail mit der Nachricht „Senden Sie 1000 $, um dieses exklusive Krebsmedikament an das folgende Bankkonto zu erhalten“ vom Spamfilter von Google übersehen. Sobald ein Benutzer es als Spam markiert, analysiert Google Mail alle Schlüsselwörter in dieser bestimmten E-Mail und „lernt“, E-Mails, die die Kombinationswörter „1000 $“, „Droge“ und „Bankkonto“ enthalten, in Zukunft als Spam zu behandeln. Es gibt viele mathematische Modelle, die von Fachleuten für maschinelles Lernen verwendet werden, z. B. Regressionen, Logistik, Bayes'sche Netze, Clustering.

Was ist das Besondere an dieser KI-Welle?

Diese KI-Welle wird durch die Popularität von Deep Learning angetrieben. Als Teilmenge des maschinellen Lernens wurde Deep Learning nicht erst kürzlich erfunden. Tatsächlich wurde laut Wikipedia „der erste allgemeine, funktionierende Lernalgorithmus für überwachte, tiefe, vorwärtsgekoppelte, mehrschichtige Perzeptrons 1965 von Alexey Ivakhnenko und Lapa veröffentlicht“. Da die Rechenleistung und die Daten jedoch nicht weit genug fortgeschritten waren, um die kommerzielle Massenanwendung von Deep-Learning-Techniken zu unterstützen, gewann es erst 2006 an Popularität, als Geoffrey Hinton et al. ihre bahnbrechende Arbeit „A Fast Learning Algorithm for Deep Belief Netze.“ Trotz des KI-Winters der 90er und der ersten Hälfte der 2000er arbeiten einige Wissenschaftler, darunter die drei akademischen Gurus des Deep Learning, Geoffrey Hinton, Yann LeCun und Yoshua Bengio, weiterhin an Deep Learning im akademischen Bereich. Der schnelle Durchbruch der Rechenleistung, beispielsweise Cloud Computing und GPUs, sowie die Verfügbarkeit von Big Data durch die digitale Wirtschaft haben die Implementierung von Deep-Learning-Algorithmen im letzten Jahrzehnt möglich gemacht. Beispielsweise begann Googles Forschung zu selbstfahrenden Autos im Jahr 2009.

Technisch gesehen kann Deep Learning definiert werden als „eine Klasse von maschinellen Lernalgorithmen, die:

• Verwenden Sie eine Kaskade aus mehreren Schichten nichtlinearer Verarbeitungseinheiten für die Merkmalsextraktion und -transformation. Jede nachfolgende Schicht verwendet die Ausgabe der vorherigen Schicht als Eingabe.
• auf überwachte (z. B. Klassifizierung) und/oder unüberwachte (z. B. Musteranalyse) Weise lernen.
• mehrere Darstellungsebenen lernen, die unterschiedlichen Abstraktionsebenen entsprechen; die Ebenen bilden eine Hierarchie von Begriffen.“

Der Schlüssel sind „mehrere Schichten“ im Vergleich zum traditionellen maschinellen Lernen. Wie würden Sie zum Beispiel eine Katze von einem Hund unterscheiden? Wenn Sie maschinelles Lernen verwenden würden, könnten Sie einige Merkmale extrahieren, die Hund und Katze gemeinsam haben, wie z Das Bild ist 50 % Hund, 50 % Katze - nicht sehr nützlich. Mit Deep Learning wissen Sie jedoch nicht einmal, was die Unterscheidungsmerkmale einer Katze von einem Hund sind, aber die Maschine würde durch mehrere Ebenen der Erstellung neuer Merkmale und Hunderte (oder Tausende) statistischer Modelle mehr liefern genaue Ausgabe - z. B. 90 % Hund, 10 % Katze. Die beiden folgenden Diagramme veranschaulichen, wie ein neuronales Netzwerk „lernt“ und den Unterschied zwischen klassischem maschinellem Lernen und neuronalen Netzwerken.

Die Leser könnten sich nach dem Lesen des oben Gesagten am Kopf kratzen, und das zu Recht. Aber zurück zu unserem ursprünglichen Zweck: Was ist aus Sicht eines Investors so besonders an Deep Learning? Man könnte diese Frage mit verschiedenen weiteren komplizierten technischen Erklärungen beantworten, aber ganz einfach gesagt, die Grafik unten links macht es wirklich deutlich: Deep Learning ermöglicht eine viel stärkere Leistung als andere Lernalgorithmen. Nehmen Sie das Beispiel der Spracherkennung, wie im Microsoft-Blog beschrieben (Grafik unten rechts): Die ursprüngliche Spracherkennungsfehlerrate von 1988 betrug 60-70 %, während das neue Microsoft-System mit Deep Learning im Jahr 2014 nur 6,3 % betrug.

Schlüsselkomponenten erfolgreicher KI-Anwendungen

Meiner Meinung nach gibt es vier Schlüsselkomponenten für den Erfolg eines Produkts für maschinelles Lernen (einschließlich Deep Learning): gut definierte wünschenswerte Probleme, Daten, der/die Algorithmus(en) und Rechenleistung .

In erster Linie muss die KI-Anwendung ein klar definiertes (spezifisches) und wünschenswertes Problem (das auf dringende und klare Kundenschmerzpunkte abzielt) lösen . Denken Sie an die verschiedenen Spiele, die dem Computer über die 3 verschiedenen Wellen der KI beigebracht wurden: Dame, Schach, Go. Sie waren sehr gut definierte Probleme und daher einfacher für einen Computer zu lösen. Gesichtserkennung, maschinelle Übersetzung, fahrerlose Autos, Suchmaschinenoptimierung sind alles gut definierte wünschenswerte Probleme. Das Fehlen gut definierter wünschenswerter Probleme ist jedoch der Grund, warum es so schwierig ist, beispielsweise einen allgemeinen Hausreinigungsroboter herzustellen. Einfache Aufgaben im Haushalt, zB Tassen einsammeln und Wäsche in den Korb legen, erfordern das Lösen zu vieler Probleme. Zum Beispiel muss die Maschine erkennen, welche Gegenstände aufgenommen werden müssen (Becher, schmutzige Wäsche und nicht saubere Wäsche usw.), wohin sie gehen und wie sie dorthin gelangen (Hindernisse im Haushalt vermeiden und zum gewünschten Ziel fahren). Ort), jeden Gegenstand mit der gewünschten Kraft handhaben, damit die Tasse oder die Wäsche nicht kaputt gehen usw.

Zweitens erfordert die Entwicklung eines maschinellen Lernalgorithmus den Zugriff auf saubere und gut gekennzeichnete Daten . Dies liegt daran, dass diese Algorithmen aufgebaut werden, indem verschiedene statistische Modelle mit einer großen Menge gut gekennzeichneter Daten gespeist werden, um die notwendigen Vorhersagebeziehungen herzustellen. Diese Datenerfassung kann schwierig oder einfach sein, je nachdem, welche kommerzielle Anwendung Sie entwickeln. Um beispielsweise die notwendigen Daten zu sammeln, die für die Entwicklung eines Computer-Vision-Algorithmus für Weintraubenfelder erforderlich sind, benötigte mein Startup Feldbilder von verschiedenen Orten mit unterschiedlichen Sorten und noch schwieriger - verschiedenen Jahreszeiten. Da jede Saison ein Jahr dauert, wird es Jahre dauern, um zufriedenstellende Produkte zu erhalten. Wenn Sie dagegen in China einen guten Gesichtserkennungsalgorithmus entwickeln wollen, um beispielsweise 10 Millionen Bilder zu sammeln, müssen Sie nur eine Woche lang eine Kamera an einer belebten Straße in Peking aufstellen und die Aufgabe erledigen. Ein weiteres Beispiel wäre der Nr. 1 KI-gestützte personalisierte Nachrichtenaggregator in China, Toutiao, der Ihre persönlichen Nachrichtenpräferenzen kennt und Ihnen nur die für Sie relevantesten Nachrichten anzeigt. Das Sammeln von Daten ist in diesem Fall wiederum viel einfacher, z. B. die Anzahl der Artikel, die Sie in jeder Nachrichtenkategorie lesen, die Zeit, die Sie für jeden Artikel aufwenden, usw.

Drittens muss ein KI-Unternehmen robuste und skalierbare Algorithmen entwickeln. Um dies zu erreichen, sind drei Must-Haves erforderlich: eine große Menge gut gekennzeichneter Daten (wie oben besprochen), das richtige Talent und das Vertrauen, dass Deep Learning die richtige Technologie zur Lösung des Problems ist. KI-Unternehmen müssen über die richtigen Talente verfügen, um die erforderlichen Algorithmen zu entwickeln, aber diese sind hochspezialisiert, teuer und knapp. Als ich beispielsweise für mein Startup nach Personal suchte, stellte ich fest, dass ich mindestens Datenwissenschaftler (normalerweise promovierte) brauchte, um Algorithmus-Prototypen zu entwickeln, Ingenieure, um Frameworks zu entwerfen, Programmierer (TensorFlow, Python, C++ usw.) zum Kodieren in skalierbare Programme und Personen, die sie zusammenstellen (Produktmanager, UX, UI usw.).

Ein weiterer Aspekt ist die Rechenleistung . Warum? Denn Deep Learning Neuronale Netze benötigen viel mehr Rechenleistung als die anderen KI-Methoden. Für die gleiche Aufgabe, einen Hund in einem Bild zu identifizieren, könnte das Trainieren des Modells mit einem Non-Deep-Learning-Algorithmus beispielsweise 10 statistische Modelle bei einem Datensatz von 1 GB erfordern. Das Modell für tiefe neuronale Netze benötigt beispielsweise 1000 statistische Modelle, die einen Datensatz von 100 GB durchlaufen. Die Ergebnisse sind besser, wenn Netzwerke verwendet werden, aber die erforderliche Rechenleistung ist viel größer. Infolgedessen erfordern diese Modelle nicht nur einen Computer (wie das, was wir auf unserem PC tun), sondern verteiltes Rechnen, wobei jede GPU beispielsweise 5 % der Berechnung übernimmt, sodass 20 GPUs zusammen das erforderliche Rechenvolumen bewältigen können. Das wiederum bedeutet, eigene GPU-Cluster-Server bauen zu müssen oder die Rechenleistung von Plattformen wie AWS zu mieten. Die Rechenleistung von Cloud Computing oder Ihren eigenen Servern ist kostspielig, obwohl fairerweise die Stückkosten für die Rechenleistung kontinuierlich sinken sollten (gemäß dem Gesetz von Moore).

Fazit

Viele glauben, dass jetzt der beste Zeitpunkt ist, um KI-Durchbrüche und Startups zu sehen, da die Digitalisierung vieler Branchen und des Verbraucher-Internets eine große Menge an gezielt gesammelten, sauber organisierten, digitalen Daten verfügbar macht. Die Entwicklung von Nvidias GPU und Intels FPGA macht es viel billiger und schneller, die notwendigen Berechnungen durchzuführen. Die aktuelle KI-Innovationswelle wird daher von wichtigen Fortschritten im Bereich Deep Learning vorangetrieben .

Aber damit eine KI-Anwendung erfolgreich ist, braucht man ein gut definiertes wünschenswertes Problem, Daten, Algorithmen und erhebliche Rechenleistung. Für Führungskräfte, die diesen Artikel lesen und darüber nachdenken, KI zur Stärkung ihres Unternehmens einzusetzen, gelten die vier oben genannten Schlüsselkomponenten ebenfalls.

Wie können Sie mehr über KI erfahren? Es gibt viele Bücher, Seminare, Coursera-Kurse, Forschungsarbeiten und Organisationen wie Deep Learning, um mehr über KI zu erfahren. Da der Fokus dieses Artikels auf Investoren gerichtet ist, die die Grundlagen der KI kennenlernen möchten, habe ich viele der heißen KI-Themen nicht berührt, wie z. B. das Potenzial der KI als Bedrohung, die Zukunftsaussichten der Branche, KI-Investitionen, die Profis und Nachteile verschiedener Algorithmen (z. B. CNN), Prototyping vs. Skalierung, wichtige Programmiersprachen usw. In Teil 2 dieser Serie werde ich mich mit der Bewertung von KI-Unternehmen aus Investorensicht befassen.