AI Investment Primer: Panduan Praktis untuk Menilai Alur Transaksi Kecerdasan Buatan (Bagian II)

Ringkasan bisnis plan

Dalam posting sebelumnya, saya membahas primer dasar di bidang AI untuk investor yang menarik dalam menempatkan uang bekerja di ruang. Secara khusus, saya membahas beberapa elemen penting yang harus diketahui setiap investor untuk membuat keputusan investasi yang lebih tepat:

• Apa itu AI?
• Apa yang istimewa dari gelombang AI saat ini?
• Apa saja empat komponen penting dari aplikasi AI yang sukses?

Seperti yang telah dibahas, dunia telah menyaksikan ledakan minat pada topik tersebut. Dan tidak mengherankan, dolar investasi telah mengikuti jalan yang sama. Menurut CB Insights, kesepakatan dan dolar untuk startup AI telah meningkat sejak 2012, dengan lompatan besar 60% dalam modal yang diinvestasikan menjadi $5 miliar pada 2016. Statista memperkirakan bahwa pada 2017, startup AI global menerima investasi $15,2 miliar, sebuah eksponensial Meningkat 300% dari 2016. Selain itu, perusahaan teknologi besar menyambar startup AI untuk maju dalam perlombaan AI.

Postingan lanjutan ini dimaksudkan untuk menjadi panduan yang lebih praktis bagi investor yang sedang mengevaluasi prospek investasi di luar angkasa. Secara khusus, saya akan menjalankan lima langkah penting untuk mengevaluasi investasi terkait AI:

1. Keinginan pelanggan (apakah bisnis ini memecahkan masalah pelanggan yang berharga?)
2. Kelangsungan hidup komersial (apakah bisnis akan menghasilkan cukup uang?)
3. Kelayakan teknis (dapatkah itu benar-benar berfungsi, dalam skala besar?)
4. Kesalahpahaman umum (dan rawan hype) terkait AI
5. Metrik keuangan dan bisnis

Harap diperhatikan: Saya akan menggunakan contoh beberapa perusahaan publik yang terkenal. Saya tidak mendukung atau mencegah pembaca untuk berinvestasi di perusahaan-perusahaan ini.

Langkah 1: Keinginan pelanggan

Menurut saya, langkah ini adalah yang paling penting dari lima yang diuraikan dalam artikel ini. Untuk memulainya, Anda perlu bertanya pada diri sendiri - Masalah apa yang coba dipecahkan oleh bisnis dengan teknologi AI? Misalnya, mobil self-driving dapat meningkatkan pengalaman mobilitas dengan membuatnya lebih aman, nyaman, dll. Terjemahan mesin memudahkan manusia untuk berkomunikasi satu sama lain. Sebaliknya, bisnis AI tidak diinginkan, ketika:

• Ini menargetkan masalah yang tidak banyak orang pedulikan atau bisa bayar.
• Ini menargetkan titik nyeri tetapi terlalu banyak masalah yang perlu dipecahkan untuk mengatasi titik nyeri itu.
• Ia mencoba memecahkan terlalu banyak masalah pada saat yang bersamaan.

Masalah rumit lainnya berkaitan dengan saat bisnis mencoba memecahkan masalah kritis misi . Maksud saya _ solusi untuk masalah tersebut memiliki toleransi yang sangat rendah untuk error_ . Misalnya, jika kesalahan perangkat lunak AI kendaraan otonom adalah 0,001%, bahkan jika itu secara obyektif sudah memiliki tingkat kesalahan yang sangat rendah, itu masih tidak dapat ditoleransi. 0,001% artinya dapat terjadi 1 kecelakaan setiap 1000 jam berkendara dan berpotensi menimbulkan korban jiwa. Sebaliknya, jika Anda mendapatkan rekomendasi Amazon atau Netflix yang salah bahkan hanya 1% dari waktu, tidak ada yang akan mati. Potensi risiko dan keuntungan untuk proyek misi-kritis, seperti mobil self-driving atau aplikasi medis (misalnya diagnosis medis, robot bedah), keduanya lebih besar daripada yang non-misi kritis, menjadikannya masalah yang lebih sulit untuk ditangani.

Langkah 2: Kelangsungan hidup komersial

Untuk bisnis dewasa yang menghabiskan uang untuk mengembangkan aplikasi AI, mereka harus memiliki kasus bisnis yang kuat untuk membenarkan investasi di muka. Misalnya, CEO IBM Virginia Rometty ingin IBM Watson menghasilkan $10 miliar pendapatan tahunan sebelum 2024. Untuk startup AI, terutama jika itu pra-pendapatan, pertanyaan penting yang selalu saya tanyakan adalah: apakah pasar cukup besar untuk jenis masalah perusahaan memecahkan? Misalnya, jika perusahaan sedang mengembangkan aplikasi AI untuk negara yang sangat spesifik dalam industri tertentu dengan potensi pasar maksimum $1 juta per tahun, apakah Anda akan berinvestasi di dalamnya?

Aspek lain yang perlu Anda pertimbangkan adalah cakrawala investasi . Teknologi AI yang lebih dalam membutuhkan waktu lebih lama untuk mengembangkan produk. Misalnya, Waymo (perusahaan kendaraan mengemudi otonom Google) telah menguji teknologi ini sejak 2009 dan masih belum merilis produk komersial. Perusahaan teknologi AI yang lebih dalam juga dapat membutuhkan waktu lama untuk mendapatkan pengakuan pasar dan pengembalian investasi selanjutnya. Ambil Nvidia (NASDAQ: NVDA) sebagai contoh. Nvidia memasok chip paling populer, GPU, untuk menghitung algoritme jaringan saraf yang digunakan di banyak aplikasi visi komputer, termasuk mobil self-driving. Melihat grafik harga saham di bawah ini, orang dapat dengan jelas melihat pola "kurva S" yang terkenal yang Anda lihat di banyak bisnis inovatif. Tetapi waktunya penting: jika Anda berinvestasi di Nvidia sejak IPO pada tahun 1999, Anda tidak akan melihat pengembalian yang bagus sampai setelah 2016, ketika AI pembelajaran mendalam menjadi "dalam mode".

Langkah 3: Kelayakan teknis

Seperti yang dibahas dalam artikel saya yang lain, saya percaya ada empat komponen kunci untuk keberhasilan produk pembelajaran mesin (termasuk pembelajaran mendalam): masalah yang terdefinisi dengan baik dan diinginkan, data yang bersih dan diberi label dengan baik, algoritme yang kuat, dan daya komputasi yang luas. Tiga yang terakhir menentukan kelayakan teknis bisnis AI. Di sini saya akan membahas secara singkat apa yang dimaksud dengan komponen-komponen tersebut dan bagaimana seseorang dapat melakukan due diligence sebagai investor.

Pertama, mengembangkan algoritme pembelajaran mesin memerlukan akses ke data yang bersih dan diberi label dengan baik. Ini karena, seperti yang disebutkan sebelumnya, algoritma ini dibangun dengan memberi makan model statistik yang berbeda sejumlah besar data yang diberi label dengan baik untuk membangun hubungan prediktif yang diperlukan. Saat Anda meneliti bisnis AI, Anda perlu mengetahui apakah mereka memiliki akses ke data yang dapat digunakan, bagaimana mereka memperolehnya, dan apakah mereka dapat terus memperoleh data tersebut . Atau, jika mereka belum memiliki data, apa rencana mereka untuk mengumpulkan data tersebut? Tren demokratisasi data konsumen dan inisiatif seperti perbankan terbuka akan memberikan banyak peluang untuk aplikasi AI baru.

Kedua, bisnis AI perlu mengembangkan algoritme yang kuat dan skalabel. Untuk mencapai itu, ada tiga hal yang harus dimiliki: sejumlah besar data berlabel baik yang dibahas di atas, bakat yang tepat, dan keyakinan bahwa pembelajaran mendalam adalah teknologi yang cocok untuk memecahkan masalah. Oleh karena itu, pertanyaan kuncinya adalah: dapatkah bisnis menarik bakat yang tepat ? Bakat AI teratas, terutama ilmuwan data dan insinyur dan pemrogram yang sudah berpengalaman dengan AI, diambil alih oleh raksasa teknologi seperti Google, Facebook, Microsoft, dan IBM, meninggalkan sangat sedikit untuk perusahaan dan perusahaan rintisan lainnya. Untuk menarik talenta terbaik, mereka tidak hanya harus siap membayar gaji yang besar (misalnya, karyawan lab DeepMind Google berpenghasilan rata-rata ~US $345.000 per tahun), mereka juga membutuhkan visi yang meyakinkan. Selain itu, Anda perlu menanyakan apakah deep learning merupakan teknologi yang paling cocok untuk menyelesaikan masalah komersial. Misalnya, untuk aplikasi robo-advisor untuk alokasi aset investor ritel, program berbasis aturan bisa jauh lebih murah untuk dikembangkan dan lebih mudah diterapkan daripada algoritme pembelajaran mendalam . Sebaliknya, algoritme pembelajaran mesin dengan kemampuan untuk belajar dari kesalahan dan kemenangan masa lalu, dan yang dapat terus berkembang dengan sendirinya, adalah kandidat yang lebih baik untuk algoritme investasi dana lindung nilai. Saat ini, bidang yang paling banyak mencapai terobosan dan paling cocok untuk teknologi pembelajaran mendalam adalah pemrosesan bahasa alami (misalnya terjemahan mesin), visi komputer (misalnya pengenalan wajah, mobil tanpa pengemudi), dan permainan (misalnya AlphaGo, keputusan investasi evolusioner). membuat).

Ketiga, bisnis perlu memiliki kemampuan untuk memperoleh daya komputasi yang luas . Seperti yang dibahas secara rinci dalam artikel saya sebelumnya, daya komputasi dari komputasi awan atau server GPU milik sendiri itu mahal. Ada dua pertanyaan kunci yang perlu Anda tanyakan untuk ketekunan aspek ini: 1) Berapa banyak daya komputasi yang merupakan tugas umum yang diperlukan untuk bisnis ini? Apakah daya komputasi seperti itu tersedia saat ini? Ini sangat penting untuk aplikasi yang memerlukan pemrosesan waktu nyata tetapi hanya memiliki ruang terbatas yang tersedia pada perangkat sebenarnya untuk mengakomodasi GPU dan baterai (misalnya drone). 2) Apakah bisnis mampu membayar daya komputasi seperti itu? Misalnya, Kaifu Lee menceritakan kisah menarik dalam bukunya, Artificial Intelligence, bahwa sebuah startup pembelajaran mendalam yang dia investasikan menghabiskan 7 juta RMB (~1 juta USD) dalam 3 bulan pertama hanya untuk membeli server komputasi pembelajaran mendalam. Dia lebih lanjut menekankan bahwa hari ini, tugas pelatihan model pembelajaran mendalam yang khas membutuhkan satu atau beberapa komputer yang memiliki empat hingga delapan GPU berkapasitas tinggi. Banyak tugas visi komputer memerlukan ratusan dan ribuan kluster GPU dan memancarkan panas 10x lebih banyak daripada server normal. Beberapa tim startup di bidang ini harus mendesain ulang sistem AC atau membeli bongkahan besar es untuk mendinginkan server.

Langkah 4: Kesalahpahaman umum (dan rawan hype) terkait AI

1. Beberapa perusahaan benar-benar hanya mengembangkan bisnis digital baru (misalnya otomatisasi proses untuk bank), atau algoritma pembelajaran non-mesin berbasis aturan, tetapi mengklaim bahwa mereka adalah AI , karena perhatian dan penilaian yang lebih baik yang didapat bisnis AI. Dalam uji tuntas Anda, Anda dapat mencoba menemukan penyamaran ini dengan mengajukan pertanyaan seperti apa teknologi dasar yang mereka gunakan? Jika mereka belum mempekerjakan seluruh tim ilmuwan data dan insinyur AI karena mereka mengklaim mereka menggunakan "AI", baik melalui kontrak dengan perusahaan teknologi lain atau internal, maka itu bisa menjadi tanda bahaya.
2. Terkadang pembelajaran mesin + intervensi manusia dapat bekerja lebih baik daripada hanya AI. Misalnya, baru-baru ini, perusahaan teknologi terjemahan Cina, iFlytek, memecahkan kontroversi ketika perangkat terjemahan mesin mereka yang diduga simultan ditemukan hanya mendengarkan dan menyalin suara penerjemah simultan manusia. iFlytek kemudian menjelaskan bahwa terjemahan real-time saat ini tidak memungkinkan pada kecepatan dan akurasi yang dibutuhkan. Mereka berpikir kombinasi kecerdasan manusia dan mesin membawa solusi terbaik untuk hasil.
3. Terakhir, pelajaran utama yang saya pelajari dari pengalaman startup saya (juga kisah peringatan bagi calon pengusaha dan investor) adalah bahwa ada perbedaan besar antara prototipe AI ilmiah dan solusi yang dapat diskalakan secara komersial . Biasanya prototipe ilmiah dapat dikembangkan oleh seorang ilmuwan data berbakat menggunakan perangkat lunak prototipe cepat (misalnya MatLab), hanya dalam beberapa bulan menggunakan, misalnya, 1000 hingga 10.000 titik data. Prototipe yang skalabel secara komersial, seperti yang dibahas sebelumnya, membutuhkan: 1) dana untuk menyewa spesialis AI (ilmuwan data, arsitek, insinyur perangkat lunak, manajer produk), 2) kumpulan data pelatihan dengan puluhan juta titik data, 3) program komputer (mis. Python, C++, dll), 4) dana untuk membeli server komputer pembelajaran mendalam atau solusi komputasi awan di Amazon AWS, Google Cloud, Microsoft Azure, dll.

Langkah 5: Metrik keuangan dan bisnis

Terakhir, Anda harus memeriksa statistik keuangan bisnis AI dan perspektif bisnis non-keuangannya, dan mengevaluasinya seperti yang akan Anda lakukan untuk perusahaan teknologi lainnya. Lihat contoh analisis seperti diilustrasikan pada tabel di bawah ini.

Metrik keuangan dan non-keuangan tradisional untuk menilai bisnis termasuk pendapatan, pendapatan bersih/arus kas, tingkat pertumbuhan pendapatan, rasio (P/E, P/S, dll), ekonomi makro, pesaing, peraturan, dll. Perusahaan teknologi juga memiliki karakteristik unik mereka sendiri. Salah satu contohnya adalah bahwa tingkat pertumbuhan bisa lebih penting daripada profitabilitas. Untuk startup teknologi tahap awal, statistik pengguna seperti pengguna aktif dan pemesanan lebih penting daripada pendapatan atau arus kas. Valuasi bisa lebih tinggi karena permintaan untuk investasi tersebut. Misalnya, rasio P/E untuk Nvidia (NVDA) berada pada ~30x P/E, sedangkan McDonald's (MCD) diperdagangkan pada ~20x.

Ada banyak buku investasi tentang cara menilai perusahaan, jadi saya tidak akan membahasnya terlalu detail di sini. Jika ini adalah perusahaan publik, Anda bisa mendapatkan detail ini dari pengajuan publik seperti laporan keuangan, atau dari penyedia data pasar seperti Google Finance atau Bloomberg. Jika itu adalah perusahaan swasta, Anda dapat menghubungi manajemen perusahaan untuk mendapatkan rincian yang diperlukan.

Kesimpulan

Ringkasnya, menurut pendapat saya, menurut saya atribut yang paling diinginkan untuk investasi AI dalam jangka pendek hingga menengah (dan oleh karena itu apa yang membuat investasi AI yang baik), adalah: 1) memecahkan masalah yang diinginkan yang terdefinisi dengan baik dan 2) non- mission-critical (tidak ada yang akan mati jika gagal). Kasus-kasus ini mencakup area layanan pelanggan yang cerdas seperti chatbots (tidak murni berdasarkan aturan), diagnosis pencitraan medis, pengenalan wajah, terjemahan mesin, penasihat keuangan AI, permainan komputer, dll. Tentu saja, untuk jangka panjang, risiko tinggi /Masalah misi-kritis hadiah tinggi (misalnya mobil tanpa pengemudi) adalah hadiah yang banyak diminati . Setelah Anda menentukan mereka memiliki masalah yang diinginkan untuk dipecahkan, Anda dapat menganalisis kelayakan komersial, kelayakan teknis, statistik keuangan, dan metrik bisnis mereka.

Anda juga perlu memikirkan vertikal AI spesifik yang ingin Anda investasikan. Vertikal AI yang berbeda memiliki urgensi permintaan pelanggan dan kesiapan teknologi yang berbeda, dan oleh karena itu pengembalian dan risiko investasi yang berbeda. Anda dapat berinvestasi dalam perangkat keras vs. perangkat lunak vs. platform vs. layanan, dan di berbagai industri seperti keuangan, pendidikan, perawatan kesehatan, industri. Dalam artikel berikutnya, saya akan membahas bagaimana Anda dapat mulai berinvestasi di AI termasuk vertikal dan teknologi yang paling menjanjikan, gaya investasi (pasif vs. aktif), dan geografi (AS vs. China vs. seluruh dunia).