Introducción a la inversión en IA: una guía práctica para evaluar el flujo de negocios de la inteligencia artificial (Parte II)

Resumen ejecutivo

En una publicación anterior, expuse un manual básico sobre el campo de la IA para inversores interesados ​​en poner dinero a trabajar en el espacio. En particular, discutí algunos elementos esenciales que todo inversionista debe saber para tomar decisiones de inversión más informadas:

• ¿Qué es la IA?
• ¿Qué tiene de especial la ola actual de IA?
• ¿Cuáles son los cuatro componentes críticos de una aplicación de IA exitosa?

Como se discutió, el mundo ha sido testigo de una explosión de interés en el tema. Y, como era de esperar, los dólares de inversión han seguido un camino similar. Según CB Insights, las ofertas y el dinero para las nuevas empresas de IA han aumentado desde 2012, con un gran salto del 60 % en capital invertido a $5 mil millones en 2016. Statista estimó que en 2017, las nuevas empresas globales de IA recibieron $15,2 mil millones en inversión, una cifra exponencial Aumento del 300% desde 2016. Además, las grandes empresas tecnológicas están arrebatando nuevas empresas de IA para salir adelante en la carrera de la IA.

Esta publicación de seguimiento pretende ser una guía más práctica para los inversores que están evaluando las perspectivas de inversión en el espacio. En particular, repasaré los cinco pasos críticos para evaluar una inversión relacionada con la IA:

1. Deseabilidad del cliente (¿este negocio está resolviendo un problema del cliente que vale la pena?)
2. Viabilidad comercial (¿el negocio generará suficiente dinero?)
3. Viabilidad técnica (¿puede realmente funcionar a escala?)
4. Malentendidos comunes (y propensos a la exageración) relacionados con la IA
5. Métricas financieras y comerciales

Tenga en cuenta: usaré los ejemplos de algunas empresas conocidas que cotizan en bolsa. No apruebo ni desanimo a los lectores a invertir en estas empresas.

Paso 1: Deseabilidad del cliente

En mi opinión, este paso es el más importante de los cinco descritos en este artículo. Para empezar, debe preguntarse: ¿Qué problema(s) está tratando de resolver la empresa con la tecnología de IA? Por ejemplo, los automóviles autónomos pueden mejorar la experiencia de movilidad haciéndola más segura, más conveniente, etc. La traducción automática facilita la comunicación entre los humanos. Por el contrario, un negocio de IA no es deseable cuando:

• Se está enfocando en un problema que no le importa a mucha gente o que no puede pagar.
• Está apuntando a un punto de dolor, pero se deben resolver demasiados problemas para abordar ese punto de dolor.
• Es tratar de resolver demasiados problemas al mismo tiempo.

Otro tema complicado se relaciona con cuando una empresa está tratando de resolver un problema de misión crítica . Con esto quiero decir que _ la solución al problema tiene una muy baja tolerancia al error_ . Por ejemplo, si el error del software de IA de un vehículo autónomo es del 0,001 %, aunque objetivamente ya sea una tasa de error muy baja, no es tolerable. 0.001% significa que puede tener 1 accidente cada 1000 horas que conduce y potencialmente causar la pérdida de vidas. Por el contrario, si obtiene la recomendación incorrecta de Amazon o Netflix, incluso solo el 1% de las veces, nadie morirá. Los riesgos y beneficios potenciales de los proyectos de misión crítica, como los automóviles autónomos o las aplicaciones médicas (por ejemplo, diagnóstico médico, robots quirúrgicos), son mayores que los que no son de misión crítica, lo que hace que sea un problema más difícil de manejar.

Paso 2: viabilidad comercial

Para las empresas maduras que gastan dinero para desarrollar una aplicación de IA, deben tener un caso de negocios sólido para justificar la inversión inicial. Por ejemplo, la directora ejecutiva de IBM, Virginia Rometty, quiere que IBM Watson genere $ 10 mil millones en ingresos anuales antes de 2024. Para una startup de IA, especialmente si es antes de generar ingresos, una pregunta importante que siempre hago es: ¿el mercado es lo suficientemente grande para el tipo de problemas? la empresa está resolviendo? Por ejemplo, si la empresa está desarrollando una aplicación de IA para un país muy específico en una industria específica con un potencial de mercado máximo de $ 1 millón por año, ¿invertiría en ella?

Otro aspecto que debe tener en cuenta es el horizonte de inversión . La tecnología de IA más profunda tarda más en desarrollar el producto. Por ejemplo, Waymo (la empresa de vehículos de conducción autónoma de Google) ha estado probando esta tecnología desde 2009 y aún no ha lanzado un producto comercial. Las empresas de tecnología de inteligencia artificial más profunda también pueden tardar mucho tiempo en obtener el reconocimiento del mercado y los rendimientos de inversión posteriores. Tome Nvidia (NASDAQ: NVDA) como ejemplo. Nvidia suministra los chips más populares, las GPU, para calcular los algoritmos de redes neuronales utilizados en muchas aplicaciones de visión por computadora, incluidos los automóviles autónomos. Mirando el gráfico de precios de acciones a continuación, uno puede notar claramente el famoso patrón de "curva S" que se ve en muchas empresas innovadoras. Pero el momento es importante: si invirtió en Nvidia desde su salida a bolsa en 1999, no habría visto el buen retorno hasta después de 2016, cuando la IA de aprendizaje profundo se puso "de moda".

Paso 3: Viabilidad técnica

Como discutí en mi otro artículo, creo que hay cuatro componentes clave para el éxito de un producto de aprendizaje automático (incluido el aprendizaje profundo): problemas deseables y bien definidos, datos limpios y bien etiquetados, algoritmos robustos y una amplia potencia informática. Los tres últimos determinan la viabilidad técnica del negocio de IA. Aquí discutiré brevemente qué significan estos componentes y cómo se puede llevar a cabo la diligencia debida como inversor.

Primero, desarrollar un algoritmo de aprendizaje automático requiere acceso a datos limpios y bien etiquetados. Esto se debe a que, como se mencionó anteriormente, estos algoritmos se construyen alimentando diferentes modelos estadísticos con una gran cantidad de datos que están bien etiquetados para establecer las relaciones predictivas necesarias. A medida que investiga el negocio de la IA, necesita saber si tienen acceso a datos utilizables, cómo los obtuvieron y si pueden continuar obteniendo dichos datos . O, si aún no tienen los datos, ¿cuál es su plan para recopilarlos? La tendencia de democratizar los datos de los consumidores y las iniciativas como la banca abierta brindarán muchas oportunidades para las nuevas aplicaciones de IA.

En segundo lugar, una empresa de IA necesita desarrollar algoritmos robustos y escalables. Para lograrlo, hay tres elementos imprescindibles: la gran cantidad de datos bien etiquetados discutidos anteriormente, el talento adecuado y la confianza en que el aprendizaje profundo es la tecnología adecuada para resolver el problema. Por lo tanto, una pregunta clave es: ¿puede el negocio atraer el talento adecuado ? Los mejores talentos de IA, especialmente los científicos e ingenieros de datos y los programadores que ya tienen experiencia con la IA, son arrebatados por gigantes tecnológicos como Google, Facebook, Microsoft e IBM, dejando muy pocos para otras corporaciones y nuevas empresas. Para atraer a los mejores talentos, no solo necesitarían estar preparados para pagar salarios elevados (por ejemplo, los empleados del laboratorio DeepMind de Google ganan en promedio ~US $ 345,000 al año), sino que también necesitan una visión convincente. Además, debe preguntarse si el aprendizaje profundo es la tecnología más adecuada para resolver el problema comercial. Por ejemplo, para una aplicación de robo-asesor para las asignaciones de activos de los inversores minoristas, un programa basado en reglas puede ser mucho menos costoso de desarrollar y más fácil de implementar que un algoritmo de aprendizaje profundo . Por el contrario, un algoritmo de aprendizaje automático con la capacidad de aprender de los errores y victorias del pasado, y que puede seguir mejorando, es un mejor candidato para un algoritmo de inversión de fondos de cobertura. Actualmente, las áreas que han logrado la mayor cantidad de avances y que son más adecuadas para las tecnologías de aprendizaje profundo son el procesamiento del lenguaje natural (p. ej., traducción automática), la visión artificial (p. ej., reconocimiento facial, automóviles sin conductor) y los juegos (p. ej., AlphaGo, decisión de inversión evolutiva). haciendo).

En tercer lugar, la empresa debe tener la capacidad de adquirir una amplia potencia informática . Como se discutió en detalle en mi artículo anterior, el poder de cómputo de la computación en la nube o de los propios servidores GPU es costoso. Hay dos preguntas clave que debe hacer con diligencia en este aspecto: 1) ¿Cuánta potencia de cómputo es una tarea típica requerida para este negocio? ¿Está disponible hoy en día tal poder de cómputo? Esto es especialmente importante para las aplicaciones que requieren procesamiento en tiempo real pero que solo tienen un espacio disponible limitado en el dispositivo real para acomodar GPU y baterías (por ejemplo, drones). 2) ¿Puede la empresa permitirse tal poder de cómputo? Por ejemplo, Kaifu Lee cuenta una historia interesante en su libro, Inteligencia artificial, que una startup de aprendizaje profundo en la que invirtió gastó 7 millones de RMB (~1 millón de dólares) en los primeros 3 meses solo para comprar servidores informáticos de aprendizaje profundo. Además, enfatiza que hoy en día, una tarea típica de entrenamiento de modelos de aprendizaje profundo requiere una o varias computadoras que tengan de cuatro a ocho GPU de alta capacidad. Muchas tareas de visión artificial requieren cientos y miles de clústeres de GPU y emiten 10 veces más calor que un servidor normal. Algunos de los equipos de inicio en estos campos tuvieron que rediseñar los sistemas de CA o comprar grandes trozos de hielo para enfriar los servidores.

Paso 4: malentendidos comunes (y propensos a exageraciones) relacionados con la IA

1. Algunas empresas realmente solo están desarrollando nuevos negocios digitales (por ejemplo, automatización de procesos para bancos), o algoritmos de aprendizaje no automático basados ​​en reglas, pero afirman que son IA , debido a la atención y la mejor valoración que recibe el negocio de IA. En su diligencia debida, puede intentar descubrir estos disfraces haciéndoles preguntas como, por ejemplo, ¿qué tecnologías subyacentes están empleando? Si no han contratado a un equipo completo de científicos de datos e ingenieros de inteligencia artificial desde que afirman que usan "IA", ya sea a través de contratos con otras empresas tecnológicas o internamente, entonces puede ser una señal de alerta.
2. A veces, el aprendizaje automático + la intervención humana pueden funcionar mejor que solo la IA. Por ejemplo, recientemente, la empresa china de tecnología de traducción, iFlytek, desató una controversia cuando se descubrió que su dispositivo de traducción automática supuestamente simultánea simplemente escuchaba y copiaba la voz de un traductor simultáneo humano. iFlytek explicó más tarde que la traducción en tiempo real actualmente no es posible con la velocidad y precisión requeridas. Piensan que la combinación de inteligencia humana y de máquinas brinda la mejor solución para obtener resultados.
3. Por último, mi principal lección aprendida de mi experiencia de inicio (también una advertencia para los aspirantes a empresarios e inversores) es que existe una gran diferencia entre los prototipos científicos de IA y las soluciones comercialmente escalables . Por lo general, un científico de datos talentoso puede desarrollar un prototipo científico utilizando un software de creación rápida de prototipos (por ejemplo, MatLab), en solo unos meses utilizando, a modo de ejemplo, de 1000 a 10 000 puntos de datos. Un prototipo comercialmente escalable, como se discutió anteriormente, requiere: 1) fondos para contratar especialistas en IA (científicos de datos, arquitectos, ingenieros de software, gerentes de productos), 2) conjuntos de datos de entrenamiento con decenas de millones de puntos de datos, 3) programa de computadora (en, por ejemplo, Python, C++, etc.), 4) fondos para comprar servidores informáticos de aprendizaje profundo o soluciones de computación en la nube en Amazon AWS, Google Cloud, Microsoft Azure, etc.

Paso 5: Métricas financieras y comerciales

Finalmente, debe estudiar las estadísticas financieras del negocio de IA y sus perspectivas comerciales no financieras, y evaluarlo como lo haría con cualquier otra empresa tecnológica. Vea el ejemplo de análisis como se ilustra en la siguiente tabla.

Las métricas financieras y no financieras tradicionales para valorar el negocio incluyen ingresos, ingresos netos/flujos de efectivo, tasa de crecimiento de ingresos, índices (P/E, P/S, etc.), macroeconomía, competidores, regulación, etc. Las empresas tecnológicas también tienen sus propias características únicas. Un ejemplo es que la tasa de crecimiento puede ser más importante que la rentabilidad. Para las nuevas empresas tecnológicas en etapa inicial, las estadísticas de usuarios, como los usuarios activos y las reservas, son más importantes que los ingresos o los flujos de efectivo. Las valoraciones pueden ser más altas debido a la demanda de dichas inversiones. Por ejemplo, la relación P/E de Nvidia (NVDA) es de ~30x P/E, mientras que McDonald's (MCD) cotiza a ~20x.

Hay muchos libros de inversión sobre cómo valorar una empresa, así que no voy a profundizar en eso aquí. Si se trata de una empresa pública, puede obtener estos detalles de presentaciones públicas, como informes financieros, o de proveedores de datos de mercado, como Google Finance o Bloomberg. Si se trata de una empresa privada, puede ponerse en contacto con la dirección de la empresa para obtener los detalles necesarios.

Conclusión

En resumen, en mi opinión, creo que los atributos más deseables para una inversión en IA a corto y mediano plazo (y por lo tanto lo que hace una buena inversión en IA) son: 1) resolver un problema deseable bien definido y 2) no misión crítica (nadie morirá si falla). Estos casos incluyen las áreas de atención al cliente inteligente, como los chatbots (no basados ​​únicamente en reglas), el diagnóstico por imágenes médicas, el reconocimiento facial, la traducción automática, los asesores financieros de IA, los juegos de computadora, etc. Por supuesto, a largo plazo, el alto riesgo Los problemas críticos de misión (por ejemplo, automóviles sin conductor) son los premios que muchos tienen en la mira . Una vez que determine que tienen un problema deseable para resolver, puede analizar su viabilidad comercial, viabilidad técnica, estadísticas financieras y métricas comerciales.

También debe pensar en las verticales de IA específicas en las que desea invertir. Las diferentes verticales de IA tienen diferentes urgencias de demanda de los clientes y preparación tecnológica y, por lo tanto, diferentes retornos y riesgos de inversión. Puede invertir en hardware frente a software frente a plataforma frente a servicio, y en diferentes industrias, como finanzas, educación, atención médica, industria. En un artículo posterior, analizaré cómo puede comenzar a invertir en IA, incluidas las verticales y tecnologías más prometedoras, el estilo de inversión (pasivo frente a activo) y las geografías (EE. UU. frente a China frente al resto del mundo).