AI Investment Primer: una guida pratica per valutare il flusso di affari dell'intelligenza artificiale (parte II)

Sintesi

In un post precedente, ho esaminato un primer di base sul campo dell'IA per gli investitori interessati a mettere soldi nello spazio. In particolare, ho discusso alcuni elementi essenziali che ogni investitore dovrebbe conoscere per prendere decisioni di investimento più consapevoli:

• Cos'è l'IA?
• Cosa c'è di speciale nell'attuale ondata di IA?
• Quali sono i quattro componenti critici di un'applicazione di intelligenza artificiale di successo?

Come è stato discusso, il mondo ha assistito a un'esplosione di interesse per l'argomento. E non sorprende che gli investimenti in dollari abbiano seguito un percorso simile. Secondo CB Insights, gli affari e i dollari per le startup AI sono aumentati dal 2012, con un enorme balzo del 60% del capitale investito a $ 5 miliardi nel 2016. Statista ha stimato che nel 2017, le startup AI globali hanno ricevuto $ 15,2 miliardi di investimenti, un valore esponenziale Aumento del 300% rispetto al 2016. Inoltre, le grandi aziende tecnologiche si stanno impossessando delle startup di intelligenza artificiale per andare avanti nella corsa all'intelligenza artificiale.

Questo post di follow-up vuole essere una guida più pratica per gli investitori che stanno valutando le prospettive di investimento nello spazio. In particolare, analizzerò i cinque passaggi critici per valutare un investimento relativo all'IA:

1. Desiderabilità del cliente (questa attività sta risolvendo un problema del cliente utile?)
2. Fattibilità commerciale (l'azienda guadagnerà abbastanza?)
3. Fattibilità tecnica (può davvero funzionare, su larga scala?)
4. Incomprensioni comuni (e inclini al clamore) relative all'IA
5. Metriche finanziarie e aziendali

Nota: userò gli esempi di alcune note società quotate in borsa. Non approvo né scoraggio i lettori a investire in queste società.

Passaggio 1: desiderabilità del cliente

A mio parere, questo passaggio è il più importante dei cinque delineati in questo articolo. Per cominciare, devi chiederti: quali problemi sta cercando di risolvere l'azienda con la tecnologia di intelligenza artificiale? Ad esempio, le auto a guida autonoma possono migliorare l'esperienza di mobilità rendendola più sicura, più conveniente, ecc. La traduzione automatica rende più facile per gli esseri umani comunicare tra loro. Al contrario, un'attività di IA non è desiderabile quando:

• Sta prendendo di mira un problema di cui non molte persone si preoccupano o per cui possono pagare.
• Sta prendendo di mira un punto doloroso, ma è necessario risolvere troppi problemi per affrontare quel punto doloroso.
• Sta cercando di risolvere troppi problemi allo stesso tempo.

Un altro problema delicato riguarda quando un'azienda sta cercando di risolvere un problema mission-critical . Con questo intendo dire che _ la soluzione al problema ha una tolleranza per l'errore molto bassa_ . Ad esempio, se l'errore del software di intelligenza artificiale di un veicolo autonomo è dello 0,001%, anche se questo è oggettivamente già un tasso di errore molto basso, non è comunque tollerabile. 0,001% significa che può avere 1 incidente ogni 1000 ore di guida e potenzialmente causare la perdita di vite umane. Al contrario, se ricevi la raccomandazione sbagliata di Amazon o Netflix anche solo l'1% delle volte, nessuno morirà. I potenziali rischi e ritorni per i progetti mission-critical, come le auto a guida autonoma o le applicazioni mediche (ad es. diagnosi mediche, robot chirurgici), sono entrambi maggiori di quelli non mission-critical, il che rende il problema più difficile da gestire.

Passaggio 2: fattibilità commerciale

Per le aziende mature che spendono denaro per sviluppare un'applicazione di intelligenza artificiale, dovrebbero disporre di un solido business case per giustificare l'investimento iniziale. Ad esempio, il CEO di IBM Virginia Rometty vuole che IBM Watson generi 10 miliardi di dollari di entrate annuali prima del 2024. Per una startup AI, soprattutto se è pre-entrate, una domanda importante che mi pongo sempre è: il mercato è abbastanza grande per il tipo di problemi l'azienda sta risolvendo? Ad esempio, se l'azienda sta sviluppando un'applicazione di intelligenza artificiale per un paese molto specifico in un settore specifico con un potenziale di mercato massimo di 1 milione di dollari all'anno, ci investiresti?

Un altro aspetto da considerare è l' orizzonte di investimento . La tecnologia AI più approfondita richiede più tempo per sviluppare il prodotto. Ad esempio, Waymo (la società di veicoli a guida autonoma di Google) ha testato questa tecnologia dal 2009 e non ha ancora rilasciato un prodotto commerciale. Anche le società tecnologiche di intelligenza artificiale più profonde possono impiegare molto tempo per ottenere il riconoscimento del mercato e i successivi rendimenti degli investimenti. Prendi Nvidia (NASDAQ: NVDA) come esempio. Nvidia fornisce i chip più diffusi, le GPU, per il calcolo degli algoritmi di rete neurale utilizzati in molte applicazioni di visione artificiale, comprese le auto a guida autonoma. Osservando il grafico del prezzo delle azioni qui sotto, si può notare chiaramente il famoso modello a "curva a S" che si vede in molte aziende innovative. Ma i tempi sono significativi: se avessi investito in Nvidia dalla sua IPO nel 1999, non avresti visto il bel ritorno fino a dopo il 2016, quando l'IA del deep learning è diventata "di moda".

Fase 3: fattibilità tecnica

Come discusso nell'altro mio articolo, credo che ci siano quattro componenti chiave per il successo di un prodotto di apprendimento automatico (incluso il deep learning): problemi ben definiti e desiderabili, dati puliti e ben etichettati, algoritmi robusti e potenza di calcolo estesa. Gli ultimi tre determinano la fattibilità tecnica del business dell'IA. Qui discuterò brevemente cosa significano questi componenti e come si può condurre la due diligence come investitore.

Innanzitutto, lo sviluppo di un algoritmo di apprendimento automatico richiede l'accesso a dati puliti e ben etichettati. Questo perché, come accennato in precedenza, questi algoritmi sono costruiti alimentando diversi modelli statistici con una grande quantità di dati che sono ben etichettati per stabilire le relazioni predittive necessarie. Durante le ricerche sul business dell'IA, devi sapere se hanno accesso a dati utilizzabili, come li hanno ottenuti e se possono continuare a ottenere tali dati . Oppure, se non hanno già i dati, qual è il loro piano per raccogliere tali dati? La tendenza alla democratizzazione dei dati dei consumatori e iniziative come l'open banking offrirà molte opportunità per nuove applicazioni di intelligenza artificiale.

In secondo luogo, un'azienda di intelligenza artificiale deve sviluppare algoritmi robusti e scalabili. Per raggiungere questo obiettivo, ci sono tre elementi indispensabili: la grande quantità di dati ben etichettati discussi sopra, il talento giusto e la fiducia che il deep learning sia la tecnologia adatta per risolvere il problema. Una domanda fondamentale è quindi: l'azienda può attrarre i talenti giusti ? I migliori talenti dell'IA, in particolare data scientist, ingegneri e programmatori già esperti con l'IA, vengono catturati da giganti della tecnologia come Google, Facebook, Microsoft e IBM, lasciando pochissimi per altre aziende e startup. Per attirare i migliori talenti, non solo dovrebbero essere preparati a pagare stipendi elevati (ad esempio, i dipendenti del laboratorio DeepMind di Google guadagnano in media circa 345.000 dollari USA all'anno), ma hanno anche bisogno di una visione convincente. Inoltre, è necessario chiedersi se il deep learning sia la tecnologia più adatta per risolvere il problema commerciale. Ad esempio, per un'applicazione di robo-advisor per l'asset allocation degli investitori al dettaglio, un programma basato su regole può essere molto meno costoso da sviluppare e più facile da implementare rispetto a un algoritmo di deep learning . Al contrario, un algoritmo di apprendimento automatico con la capacità di imparare dagli errori e dalle vittorie del passato, e che può continuare a migliorare se stesso, è un candidato migliore per un algoritmo di investimento in hedge fund. Attualmente, le aree che hanno ottenuto il maggior numero di scoperte e che sono più adatte alle tecnologie di deep learning sono l'elaborazione del linguaggio naturale (es. traduzione automatica), la visione artificiale (es. riconoscimento facciale, auto senza conducente) e il gioco (es. AlphaGo, decisione di investimento evolutiva fabbricazione).

In terzo luogo, l'azienda deve avere la capacità di acquisire un'ampia potenza di calcolo . Come discusso in dettaglio nel mio articolo precedente, la potenza di calcolo del cloud computing o dei propri server GPU è costosa. Ci sono due domande chiave che devi porre per diligenza su questo aspetto: 1) Quanta potenza di calcolo è un compito tipico richiesto per questo business? Tale potenza di calcolo è disponibile oggi? Ciò è particolarmente importante per le applicazioni che richiedono un'elaborazione in tempo reale ma hanno solo uno spazio disponibile limitato sul dispositivo effettivo per ospitare GPU e batterie (ad es. droni). 2) L'azienda può permettersi tale potenza di calcolo? Ad esempio, Kaifu Lee racconta una storia interessante nel suo libro, Intelligenza artificiale, secondo cui una startup di deep learning in cui ha investito ha speso 7 milioni di RMB (~ 1 milione di dollari) nei primi 3 mesi solo per acquistare server di deep learning. Sottolinea inoltre che oggi una tipica attività di addestramento del modello di deep learning richiede uno o più computer con da quattro a otto GPU ad alta capacità. Molte attività di visione artificiale richiedono centinaia e migliaia di cluster di GPU ed emettono 10 volte più calore di un normale server. Alcuni dei team di avvio in questi campi hanno dovuto riprogettare i sistemi AC o acquistare enormi pezzi di ghiaccio per raffreddare i server.

Passaggio 4: incomprensioni comuni (e inclini al clamore) relative all'IA

1. Alcune aziende in realtà stanno solo sviluppando nuove attività digitali (ad esempio l'automazione dei processi per le banche) o algoritmi di apprendimento non automatico basati su regole, ma affermano di essere IA , a causa dell'attenzione e della migliore valutazione che il business dell'IA riceve. Nella tua due diligence, puoi provare a scoprire questi travestimenti ponendo loro domande come quali tecnologie sottostanti stanno impiegando? Se non hanno assunto un intero team di data scientist e ingegneri di intelligenza artificiale poiché affermano di utilizzare "AI", sia tramite contratti con altre società tecnologiche che internamente, allora può essere una bandiera rossa.
2. A volte l'apprendimento automatico e l'intervento umano possono funzionare meglio della semplice intelligenza artificiale. Ad esempio, di recente, la società cinese di tecnologia di traduzione, iFlytek, ha aperto una controversia quando si è scoperto che il loro presunto dispositivo di traduzione automatica simultanea stava semplicemente ascoltando e copiando la voce di un traduttore simultaneo umano. iFlytek in seguito ha spiegato che la traduzione in tempo reale non è attualmente possibile alla velocità e alla precisione richieste. Pensano che la combinazione di intelligenza umana e macchina porti la migliore soluzione per i risultati.
3. Infine, la mia lezione principale appresa dalla mia esperienza di startup (anche un ammonimento per aspiranti imprenditori e investitori) è che c'è una grande differenza tra prototipi di intelligenza artificiale scientifica e soluzioni commercialmente scalabili . Tipicamente un prototipo scientifico può essere sviluppato da un data scientist di talento utilizzando un software di prototipazione rapida (es. MatLab), in pochi mesi utilizzando, a titolo esemplificativo, da 1000 a 10.000 punti dati. Un prototipo commercialmente scalabile, come discusso in precedenza, richiede: 1) fondi per assumere specialisti di intelligenza artificiale (data scientist, architetti, ingegneri software, product manager), 2) set di dati di formazione con decine di milioni di punti dati, 3) programma per computer (ad es. Python, C++, ecc.), 4) fondi per acquistare server per computer di deep learning o soluzioni di cloud computing su Amazon AWS, Google Cloud, Microsoft Azure, ecc.

Passaggio 5: metriche finanziarie e aziendali

Infine, dovresti esaminare le statistiche finanziarie dell'attività di IA e le sue prospettive commerciali non finanziarie e valutarle come faresti per qualsiasi altra società tecnologica. Vedere l'analisi di esempio come illustrato nella tabella seguente.

Le tradizionali metriche finanziarie e non finanziarie per valutare il business includono entrate, reddito netto/flussi di cassa, tasso di crescita dei ricavi, rapporti (P/E, P/S, ecc.), macroeconomia, concorrenti, regolamentazione, ecc. Anche le società tecnologiche hanno le proprie caratteristiche uniche. Un esempio è che il tasso di crescita può essere più importante della redditività. Per le startup tecnologiche in fase iniziale, le statistiche sugli utenti come gli utenti attivi e le prenotazioni sono più importanti dei ricavi o dei flussi di cassa. Le valutazioni possono essere più elevate a causa della domanda di tali investimenti. Ad esempio, il rapporto P/E per Nvidia (NVDA) è a ~30x P/E, mentre McDonald's (MCD) è scambiato a ~20x.

Ci sono molti libri di investimento su come valutare un'azienda, quindi non ho intenzione di approfondirlo troppo in dettaglio qui. Se si tratta di una società per azioni, puoi ottenere questi dettagli da documenti pubblici come rapporti finanziari o da fornitori di dati di mercato come Google Finance o Bloomberg. Se si tratta di una società privata, è possibile contattare la direzione aziendale per ottenere i dettagli necessari.

Conclusione

In sintesi, a mio parere, penso che gli attributi più desiderabili per un investimento nell'IA nel breve e medio termine (e quindi ciò che rende un buon investimento nell'IA), siano: 1) risolvere un problema desiderabile ben definito e 2) non- mission-critical (nessuno morirà se fallisce). Questi casi includono le aree del servizio clienti intelligente come chatbot (non puramente basati su regole), diagnosi di imaging medico, riconoscimento facciale, traduzione automatica, consulenti finanziari AI, giochi per computer, ecc. Naturalmente, a lungo termine, il rischio elevato /problemi mission-critical ad alta ricompensa (ad es. auto senza conducente) sono i premi su cui molti hanno gli occhi puntati . Una volta stabilito che hanno un problema desiderabile da risolvere, è possibile analizzarne la fattibilità commerciale, la fattibilità tecnica, le statistiche finanziarie e le metriche aziendali.

Devi anche pensare ai verticali specifici dell'IA in cui vuoi investire. I diversi verticali dell'IA hanno un'urgenza diversa della domanda dei clienti e della disponibilità della tecnologia, e quindi rendimenti e rischi dell'investimento diversi. Puoi investire in hardware vs. software vs. piattaforma vs. servizi e in diversi settori come quello finanziario, dell'istruzione, della sanità e dell'industria. In un articolo successivo, parlerò di come iniziare a investire nell'IA, inclusi i verticali e le tecnologie più promettenti, lo stile di investimento (passivo o attivo) e le aree geografiche (Stati Uniti vs Cina vs resto del mondo).