AI Investment Primer : Un guide pratique pour évaluer le flux de transactions en intelligence artificielle (Partie II)

Résumé

Dans un article précédent, j'ai passé en revue une introduction de base sur le domaine de l'IA pour les investisseurs intéressés à faire travailler l'argent dans l'espace. En particulier, j'ai abordé quelques éléments essentiels que chaque investisseur devrait connaître afin de prendre des décisions d'investissement plus éclairées :

• Qu'est-ce que l'IA ?
• Quelle est la particularité de la vague actuelle d'IA ?
• Quels sont les quatre composants essentiels d'une application d'IA réussie ?

Comme cela a été discuté, le monde a été témoin d'une explosion d'intérêt pour le sujet. Et sans surprise, les dollars d'investissement ont suivi un chemin similaire. Selon CB Insights, les transactions et les dollars pour les startups d'IA augmentent depuis 2012, avec un énorme bond de 60 % du capital investi à 5 milliards de dollars en 2016. Statista a estimé qu'en 2017, les startups mondiales d'IA ont reçu 15,2 milliards de dollars d'investissement, un chiffre exponentiel. 300% d'augmentation par rapport à 2016. De plus, les grandes entreprises technologiques s'emparent des startups de l'IA pour prendre de l'avance dans la course à l'IA.

Ce post de suivi est destiné à être un guide plus pratique pour les investisseurs qui évaluent les perspectives d'investissement dans l'espace. En particulier, je passerai en revue les cinq étapes critiques pour évaluer un investissement lié à l'IA :

1. Désirabilité du client (cette entreprise résout-elle un problème client valable ?)
2. Viabilité commerciale (l'entreprise gagnera-t-elle assez d'argent ?)
3. Faisabilité technique (cela peut-il réellement fonctionner, à grande échelle ?)
4. Incompréhensions courantes (et sujettes au battage médiatique) liées à l'IA
5. Indicateurs financiers et commerciaux

Veuillez noter : je vais utiliser les exemples de certaines sociétés cotées en bourse bien connues. Je n'approuve ni ne décourage les lecteurs d'investir dans ces sociétés.

Étape 1 : désirabilité du client

À mon avis, cette étape est la plus importante des cinq décrites dans cet article. Pour commencer, vous devez vous demander : quel(s) problème(s) l'entreprise essaie-t-elle de résoudre avec la technologie de l'IA ? Par exemple, les voitures autonomes peuvent améliorer l'expérience de mobilité en la rendant plus sûre, plus pratique, etc. La traduction automatique facilite la communication entre les humains. En revanche, une entreprise d'IA n'est pas souhaitable lorsque :

• Il cible un problème dont peu de gens se soucient ou ne peuvent payer.
• Il cible un point douloureux, mais trop de problèmes doivent être résolus pour résoudre ce point douloureux.
• Il essaie de résoudre trop de problèmes en même temps.

Un autre problème délicat concerne le moment où une entreprise tente de résoudre un problème critique . Par cela, je veux dire que _ la solution au problème a une très faible tolérance à l'erreur_ . Par exemple, si l'erreur d'un logiciel d'IA de véhicule autonome est de 0,001 %, même si c'est objectivement déjà un taux d'erreur très faible, cela n'est toujours pas tolérable. 0,001 % signifie qu'il peut avoir 1 accident toutes les 1000 heures de conduite et potentiellement causer des pertes de vie. Au contraire, si vous vous trompez de recommandation Amazon ou Netflix, même seulement 1% du temps, personne ne mourra. Les risques et rendements potentiels pour les projets critiques, tels que les voitures autonomes ou les applications médicales (par exemple, le diagnostic médical, les robots chirurgicaux), sont tous deux plus importants que les projets non critiques, ce qui en fait un problème plus difficile à gérer.

Étape 2 : Viabilité commerciale

Pour les entreprises matures qui dépensent de l'argent pour développer une application d'IA, elles doivent avoir une analyse de rentabilisation solide pour justifier l'investissement initial. Par exemple, Virginia Rometty, PDG d'IBM, souhaite qu'IBM Watson génère 10 milliards de dollars de revenus annuels avant 2024. Pour une startup d'IA, surtout si elle est en pré-revenu, une question importante que je pose toujours est la suivante : le marché est-il assez grand pour le type de problèmes l'entreprise résout? Par exemple, si l'entreprise développe une application d'IA pour un pays très spécifique dans une industrie spécifique avec un potentiel de marché maximum de 1 million de dollars par an, investiriez-vous dans cette application ?

Un autre aspect que vous devez considérer est l' horizon d'investissement . Une technologie d'IA plus profonde prend plus de temps pour développer le produit. Par exemple, Waymo (la société de véhicules à conduite autonome de Google) teste cette technologie depuis 2009 et n'a toujours pas lancé de produit commercial. Les entreprises de technologie d'IA plus profondes peuvent également prendre beaucoup de temps pour obtenir la reconnaissance du marché et les retours sur investissement ultérieurs. Prenez Nvidia (NASDAQ : NVDA) comme exemple. Nvidia fournit les puces les plus populaires, les GPU, pour calculer les algorithmes de réseau neuronal utilisés dans de nombreuses applications de vision par ordinateur, y compris les voitures autonomes. En regardant le graphique du cours des actions ci-dessous, on peut clairement remarquer le fameux modèle de « courbe en S » que vous voyez dans de nombreuses entreprises innovantes. Mais le moment est important : si vous avez investi dans Nvidia depuis son introduction en bourse en 1999, vous n'auriez vu le beau retour qu'après 2016, lorsque l'IA d'apprentissage en profondeur est devenue « à la mode ».

Étape 3 : Faisabilité technique

Comme indiqué dans mon autre article, je pense qu'il existe quatre éléments clés pour le succès d'un produit d'apprentissage automatique (y compris l'apprentissage en profondeur): des problèmes bien définis et souhaitables, des données propres et bien étiquetées, des algorithmes robustes et une puissance de calcul étendue. Les trois derniers déterminent la faisabilité technique de l'activité IA. Ici, je vais discuter brièvement de la signification de ces composants et de la manière dont on peut effectuer une diligence raisonnable en tant qu'investisseur.

Premièrement, le développement d'un algorithme d'apprentissage automatique nécessite l'accès à des données propres et bien étiquetées. En effet, comme mentionné précédemment, ces algorithmes sont construits en alimentant différents modèles statistiques avec une grande quantité de données bien étiquetées pour établir les relations prédictives nécessaires. Lorsque vous faites des recherches sur le secteur de l'IA, vous devez savoir s'ils ont accès à des données utilisables, comment ils les ont obtenues et s'ils peuvent continuer à obtenir ces données . Ou, s'ils ne disposent pas déjà des données, quel est leur plan pour collecter ces données ? La tendance à démocratiser les données des consommateurs et les initiatives telles que l'open banking offrira de nombreuses opportunités pour de nouvelles applications d'IA.

Deuxièmement, une entreprise d'IA doit développer des algorithmes robustes et évolutifs. Pour y parvenir, il y a trois éléments indispensables : la grande quantité de données bien étiquetées décrites ci-dessus, le bon talent et la certitude que l'apprentissage en profondeur est la technologie appropriée pour résoudre le problème. Une question clé est donc : l'entreprise peut-elle attirer les bons talents ? Les meilleurs talents de l'IA, en particulier les scientifiques des données, les ingénieurs et les programmeurs déjà expérimentés dans l'IA, sont récupérés par des géants de la technologie tels que Google, Facebook, Microsoft et IBM, laissant très peu de place aux autres entreprises et startups. Pour attirer les meilleurs talents, non seulement ils doivent être prêts à payer des salaires élevés (par exemple, les employés du laboratoire DeepMind de Google gagnent en moyenne environ 345 000 USD par an), mais ils ont également besoin d'une vision convaincante. De plus, vous devez vous demander si l'apprentissage en profondeur est la technologie la plus appropriée pour résoudre le problème commercial. Par exemple, pour une application de robot-conseiller pour les allocations d'actifs des investisseurs particuliers, un programme basé sur des règles peut être beaucoup moins coûteux à développer et plus facile à mettre en œuvre qu'un algorithme d'apprentissage en profondeur . En revanche, un algorithme d'apprentissage automatique capable d'apprendre des erreurs et des victoires passées, et qui peut continuer à s'améliorer, est un meilleur candidat pour un algorithme d'investissement dans un fonds spéculatif. Actuellement, les domaines qui ont réalisé le plus de percées et qui sont les plus adaptés aux technologies d'apprentissage en profondeur sont le traitement du langage naturel (par exemple, la traduction automatique), la vision par ordinateur (par exemple, la reconnaissance faciale, les voitures sans conducteur) et le jeu (par exemple, AlphaGo, la décision d'investissement évolutive fabrication).

Troisièmement, l'entreprise doit avoir la capacité d'acquérir une grande puissance de calcul . Comme discuté en détail dans mon article précédent, la puissance de calcul du cloud computing ou de ses propres serveurs GPU est coûteuse. Il y a deux questions clés que vous devez poser pour la diligence de cet aspect : 1) Quelle puissance de calcul une tâche typique est-elle requise pour cette entreprise ? Une telle puissance de calcul est-elle disponible aujourd'hui ? Ceci est particulièrement important pour les applications qui nécessitent un traitement en temps réel mais qui ne disposent que d'un espace disponible limité sur l'appareil réel pour accueillir les GPU et les batteries (par exemple, les drones). 2) L'entreprise peut-elle se permettre une telle puissance de calcul ? Par exemple, Kaifu Lee raconte une histoire intéressante dans son livre, Artificial Intelligence, selon laquelle une startup d'apprentissage en profondeur dans laquelle il a investi a dépensé 7 millions de RMB (~ 1 million USD) au cours des 3 premiers mois uniquement pour acheter des serveurs informatiques d'apprentissage en profondeur. Il souligne en outre qu'aujourd'hui, une tâche typique de formation de modèle d'apprentissage en profondeur nécessite un ou plusieurs ordinateurs dotés de quatre à huit GPU haute capacité. De nombreuses tâches de vision par ordinateur nécessitent des centaines et des milliers de clusters GPU et émettent 10 fois plus de chaleur qu'un serveur normal. Certaines des équipes de démarrage dans ces domaines ont dû repenser les systèmes de climatisation ou acheter d'énormes morceaux de glace pour refroidir les serveurs.

Étape 4 : malentendus courants (et sujets au battage médiatique) liés à l'IA

1. Certaines entreprises ne font que développer de nouvelles activités numériques (par exemple, l'automatisation des processus pour les banques) ou des algorithmes d'apprentissage non automatiques basés sur des règles, mais prétendent qu'elles sont de l'IA , en raison de l'attention et de la meilleure valorisation des activités d'IA. Dans votre diligence raisonnable, vous pouvez essayer de découvrir ces déguisements en leur posant des questions telles que quelles technologies sous-jacentes ils utilisent ? S'ils n'ont pas embauché toute une équipe de scientifiques des données et d'ingénieurs en IA depuis qu'ils prétendent utiliser «l'IA», que ce soit par le biais de contrats avec d'autres entreprises technologiques ou en interne, cela peut être un signal d'alarme.
2. Parfois, l'apprentissage automatique + l'intervention humaine peuvent fonctionner mieux que la simple IA. Par exemple, récemment, la société chinoise de technologie de traduction, iFlytek, a déclenché une controverse lorsqu'il a été découvert que son dispositif de traduction automatique supposée simultanée ne faisait qu'écouter et copier la voix d'un traducteur simultané humain. iFlytek a expliqué plus tard que la traduction en temps réel n'est actuellement pas possible à la vitesse et à la précision requises. Ils pensent que la combinaison de l'intelligence humaine et de la machine apporte la meilleure solution pour les résultats.
3. Enfin, ma principale leçon tirée de mon expérience de démarrage (également un récit édifiant pour les aspirants entrepreneurs et investisseurs) est qu'il existe une grande différence entre les prototypes scientifiques d'IA et les solutions commercialement évolutives . Typiquement, un prototype scientifique peut être développé par un data scientist talentueux à l'aide d'un logiciel de prototypage rapide (par exemple MatLab), en quelques mois seulement en utilisant, à titre d'exemple, 1 000 à 10 000 points de données. Un prototype commercialement évolutif, comme indiqué précédemment, nécessite : 1) des fonds pour embaucher des spécialistes de l'IA (scientifiques des données, architectes, ingénieurs logiciels, chefs de produit), 2) des ensembles de données de formation avec des dizaines de millions de points de données, 3) un programme informatique (par exemple Python, C++, etc.), 4) des fonds pour acheter des serveurs informatiques de deep learning ou des solutions de cloud computing sur Amazon AWS, Google Cloud, Microsoft Azure, etc.

Étape 5 : Mesures financières et commerciales

Enfin, vous devez vérifier les statistiques financières de l'entreprise d'IA et ses perspectives commerciales non financières, et les évaluer comme vous le feriez pour n'importe quelle autre entreprise technologique. Voir l'exemple d'analyse illustré dans le tableau ci-dessous.

Les mesures financières et non financières traditionnelles pour évaluer l'entreprise comprennent les revenus, le revenu net/les flux de trésorerie, le taux de croissance des revenus, les ratios (P/E, P/S, etc.), la macroéconomie, les concurrents, la réglementation, etc. leurs propres caractéristiques uniques. Un exemple est que le taux de croissance peut être plus important que la rentabilité. Pour les startups technologiques en démarrage, les statistiques sur les utilisateurs telles que les utilisateurs actifs et les réservations sont plus importantes que les revenus ou les flux de trésorerie. Les évaluations peuvent être plus élevées en raison de la demande pour de tels investissements. Par exemple, le ratio P/E pour Nvidia (NVDA) est à ~30x P/E, tandis que McDonald's (MCD) se négocie à ~20x.

Il existe de nombreux livres d'investissement sur la façon d'évaluer une entreprise, donc je ne vais pas m'y attarder trop en détail ici. S'il s'agit d'une entreprise publique, vous pouvez obtenir ces détails à partir de documents publics tels que des rapports financiers ou de fournisseurs de données de marché tels que Google Finance ou Bloomberg. S'il s'agit d'une entreprise privée, vous pouvez contacter la direction de l'entreprise pour obtenir les détails nécessaires.

Conclusion

En résumé, à mon avis, je pense que les attributs les plus souhaitables pour un investissement en IA à court et moyen terme (et donc ce qui fait un bon investissement en IA), sont : 1) résoudre un problème souhaitable bien défini et 2) non- critique (personne ne mourra en cas d'échec). Ces cas incluent les domaines du service client intelligent tels que les chatbots (pas purement basés sur des règles), le diagnostic par imagerie médicale, la reconnaissance faciale, la traduction automatique, les conseillers financiers IA, les jeux informatiques, etc. Bien sûr, à long terme, le risque élevé / Les problèmes critiques à haute récompense (par exemple, les voitures sans conducteur) sont les prix que beaucoup ont en vue . Une fois que vous avez déterminé qu'ils ont un problème souhaitable à résoudre, vous pouvez analyser leur viabilité commerciale, leur faisabilité technique, leurs statistiques financières et leurs paramètres commerciaux.

Vous devez également réfléchir aux secteurs verticaux spécifiques de l'IA dans lesquels vous souhaitez investir. Différents secteurs verticaux de l'IA ont une urgence différente de la demande des clients et de la préparation technologique, et donc des retours sur investissement et des risques différents. Vous pouvez investir dans du matériel, des logiciels, des plates-formes ou des services, et dans différents secteurs tels que la finance, l'éducation, la santé, l'industrie. Dans un article ultérieur, je discuterai de la manière dont vous pouvez commencer à investir dans l'IA, y compris les secteurs verticaux et les technologies les plus prometteurs, le style d'investissement (passif vs actif) et les zones géographiques (États-Unis vs Chine vs reste du monde).