AI Investment Primer: Praktyczny przewodnik po ocenie przepływu transakcji w zakresie sztucznej inteligencji (część II)

Podsumowanie wykonawcze

W poprzednim poście przeszedłem przez podstawowy elementarz z zakresu AI dla inwestorów zainteresowanych umieszczaniem pieniędzy w przestrzeni. W szczególności omówiłem kilka podstawowych elementów, które każdy inwestor powinien znać, aby podejmować bardziej świadome decyzje inwestycyjne:

• Co to jest sztuczna inteligencja?
• Co jest specjalnego w obecnej fali sztucznej inteligencji?
• Jakie są cztery kluczowe elementy udanej aplikacji AI?

Jak już mówiono, świat doświadczył eksplozji zainteresowania tematem. I nic dziwnego, że dolary inwestycyjne podążały podobną ścieżką. Według CB Insights, transakcje i dolary dla startupów AI rosły od 2012 roku, z ogromnym skokiem o 60% zainwestowanego kapitału do 5 miliardów dolarów w 2016 roku. Statista oszacował, że w 2017 roku globalne start-upy AI otrzymały 15,2 miliarda inwestycji, co jest wykładnicze 300% wzrost od 2016 r. Ponadto duże firmy technologiczne przechwytują start-upy AI, aby awansować w wyścigu AI.

Ten wpis uzupełniający ma być bardziej praktycznym przewodnikiem dla inwestorów, którzy oceniają perspektywy inwestycyjne w tej przestrzeni. W szczególności przejdę przez pięć krytycznych kroków, aby ocenić inwestycję związaną z sztuczną inteligencją:

1. Pożądanie klienta (czy ta firma rozwiązuje wartościowy problem klienta?)
2. Rentowność komercyjna (czy firma zarobi wystarczająco dużo pieniędzy?)
3. Wykonalność techniczna (czy to faktycznie działa na dużą skalę?)
4. Częste (i podatne na szum) nieporozumienia związane z AI
5. Mierniki finansowe i biznesowe

Uwaga: posłużę się przykładami niektórych znanych spółek giełdowych. Nie popieram ani nie zniechęcam czytelników do inwestowania w te firmy.

Krok 1: Atrakcyjność klienta

Moim zdaniem ten krok jest najważniejszym z pięciu przedstawionych w tym artykule. Na początek musisz zadać sobie pytanie – jakie problemy firma próbuje rozwiązać za pomocą technologii AI? Na przykład autonomiczne samochody mogą poprawić mobilność, czyniąc ją bezpieczniejszą, wygodniejszą itp. Tłumaczenie maszynowe ułatwia komunikację między ludźmi. W przeciwieństwie do tego, biznes AI nie jest pożądany, gdy:

• Jest ukierunkowany na problem, na którym niewiele osób się przejmuje lub za które nie jest w stanie zapłacić.
• Jest skierowany na bolesny punkt, ale aby rozwiązać ten problem, trzeba rozwiązać zbyt wiele problemów.
• Próbuje rozwiązać zbyt wiele problemów jednocześnie.

Inna trudna kwestia dotyczy sytuacji, gdy firma próbuje rozwiązać problem o znaczeniu krytycznym . Rozumiem przez to, że _ rozwiązanie problemu ma bardzo niską tolerancję na błąd_ . Na przykład, jeśli błąd oprogramowania AI pojazdu autonomicznego wynosi 0,001%, nawet jeśli obiektywnie jest to już bardzo niski poziom błędu, nadal nie jest to do zaakceptowania. 0,001% oznacza, że ​​może mieć 1 wypadek co 1000 godzin jazdy i potencjalnie spowodować utratę życia. Wręcz przeciwnie, jeśli otrzymasz niewłaściwą rekomendację Amazon lub Netflix nawet tylko w 1% przypadków, nikt nie umrze. Potencjalne ryzyko i zwroty dla projektów o krytycznym znaczeniu, takich jak autonomiczne samochody lub zastosowania medyczne (np. diagnostyka medyczna, roboty chirurgiczne), są większe niż te, które nie mają kluczowego znaczenia dla misji, co sprawia, że ​​jest to trudniejszy problem.

Krok 2: opłacalność komercyjna

W przypadku dojrzałych firm, które wydają pieniądze na opracowanie aplikacji AI, powinny mieć solidne uzasadnienie biznesowe, aby uzasadnić inwestycję z góry. Na przykład dyrektor generalna IBM, Virginia Rometty, chce, aby IBM Watson generował 10 miliardów dolarów rocznych przychodów do 2024 roku. W przypadku start-upu AI, zwłaszcza jeśli jest to działalność przed-przychodowa, ważne pytanie, które zawsze zadaję, brzmi: czy rynek jest wystarczająco duży dla tego typu problemów firma rozwiązuje? Na przykład, jeśli firma opracowuje aplikację AI dla bardzo konkretnego kraju w określonej branży o maksymalnym potencjale rynkowym wynoszącym 1 milion USD rocznie, czy zainwestowałbyś w nią?

Kolejnym aspektem, który należy wziąć pod uwagę, jest horyzont inwestycyjny . Technologia Deeper AI zajmuje więcej czasu na opracowanie produktu. Na przykład Waymo (firma Google zajmująca się autonomicznymi pojazdami) testuje tę technologię od 2009 roku i nadal nie wypuściła komercyjnego produktu. Firmy z branży technologii Deeper AI mogą również potrzebować dużo czasu, aby zyskać uznanie na rynku i późniejsze zwroty z inwestycji. Weźmy jako przykład Nvidię (NASDAQ: NVDA). Nvidia dostarcza najpopularniejsze chipy, procesory graficzne, do obliczania algorytmów sieci neuronowych wykorzystywanych w wielu aplikacjach widzenia komputerowego, w tym w samochodach autonomicznych. Patrząc na poniższy wykres cen akcji, można wyraźnie zauważyć słynny wzór „krzywej S”, który można zobaczyć w wielu innowacyjnych biznesach. Ale czas jest znaczący: gdybyś zainwestował w Nvidię od czasu debiutu giełdowego w 1999 r., nie widziałbyś przystojnego powrotu do 2016 r., kiedy sztuczna inteligencja głębokiego uczenia się stała się „modna”.

Krok 3: Wykonalność techniczna

Jak omówiłem w innym artykule, uważam, że istnieją cztery kluczowe elementy sukcesu produktu uczenia maszynowego (w tym uczenia głębokiego): dobrze zdefiniowane i pożądane problemy, czyste i dobrze oznakowane dane, niezawodne algorytmy i duża moc obliczeniowa. Ostatnie trzy określają techniczną wykonalność biznesu AI. Tutaj pokrótce omówię, co oznaczają te elementy i jak można przeprowadzić due diligence jako inwestor.

Po pierwsze, opracowanie algorytmu uczenia maszynowego wymaga dostępu do czystych i dobrze oznaczonych danych. Dzieje się tak, ponieważ, jak wspomniano wcześniej, algorytmy te są budowane poprzez dostarczanie różnym modelom statystycznym dużej ilości danych, które są dobrze oznakowane w celu ustalenia niezbędnych relacji predykcyjnych. Badając biznes AI, musisz wiedzieć, czy mają dostęp do użytecznych danych, w jaki sposób je uzyskali i czy mogą nadal je uzyskiwać . Lub, jeśli nie mają jeszcze danych, jaki jest ich plan gromadzenia takich danych? Trend demokratyzacji danych konsumenckich i inicjatywy takie jak otwarta bankowość zapewnią wiele możliwości dla nowych zastosowań AI.

Po drugie, biznes AI musi opracować solidne, skalowalne algorytmy. Aby to osiągnąć, konieczne są trzy rzeczy: duża ilość dobrze oznaczonych danych omówionych powyżej, odpowiedni talent oraz pewność, że głębokie uczenie się jest odpowiednią technologią do rozwiązania problemu. Kluczowe pytanie brzmi zatem: czy biznes może przyciągnąć odpowiednie talenty ? Najlepsi utalentowani AI, zwłaszcza analitycy danych, inżynierowie i programiści, którzy mają już doświadczenie z AI, są przejmowani przez gigantów technologicznych, takich jak Google, Facebook, Microsoft i IBM, pozostawiając bardzo niewiele dla innych korporacji i start-upów. Aby przyciągnąć najlepsze talenty, nie tylko musieliby być przygotowani na wysokie pensje (np. pracownicy laboratorium Google DeepMind zarabiają średnio około 345 000 USD rocznie), ale także potrzebują przekonującej wizji. Ponadto należy zapytać, czy deep learning jest najbardziej odpowiednią technologią do rozwiązania problemu komercyjnego. Na przykład w przypadku aplikacji robo-advisor do alokacji aktywów inwestorów detalicznych program oparty na regułach może być znacznie mniej kosztowny w opracowaniu i łatwiejszy do wdrożenia niż algorytm głębokiego uczenia . W przeciwieństwie do tego, algorytm uczenia maszynowego, który potrafi uczyć się na błędach i zwycięstwach z przeszłości, i który może sam się doskonalić, jest lepszym kandydatem na algorytm inwestowania funduszy hedgingowych. Obecnie obszarami, które osiągnęły najwięcej przełomów i które są najbardziej odpowiednie dla technologii głębokiego uczenia się, są przetwarzanie języka naturalnego (np. tłumaczenie maszynowe), widzenie komputerowe (np. rozpoznawanie twarzy, samochody bez kierowcy) oraz granie (np. AlphaGo, ewolucyjne decyzje inwestycyjne zrobienie).

Po trzecie, firma musi mieć możliwość uzyskania dużej mocy obliczeniowej . Jak szczegółowo omówiłem w moim poprzednim artykule, moc obliczeniowa z chmury obliczeniowej lub własnych serwerów GPU jest kosztowna. Są dwa kluczowe pytania, które należy zadać, aby zachować staranność w tym aspekcie: 1) Jaka moc obliczeniowa jest typowym zadaniem wymaganym w tym biznesie? Czy taka moc obliczeniowa jest dziś dostępna? Jest to szczególnie ważne w przypadku aplikacji, które wymagają przetwarzania w czasie rzeczywistym, ale mają ograniczoną dostępną przestrzeń w rzeczywistym urządzeniu, aby pomieścić procesory graficzne i baterie (np. drony). 2) Czy biznes stać na taką moc obliczeniową? Na przykład Kaifu Lee opowiada w swojej książce „Sztuczna inteligencja” interesującą historię, że startup, w który zainwestował, wydał 7 milionów RMB (~1 milion USD) w ciągu pierwszych 3 miesięcy tylko na zakup serwerów do głębokiego uczenia się. Podkreśla ponadto, że obecnie typowe zadanie uczenia modelu głębokiego uczenia wymaga jednego lub wielu komputerów wyposażonych w cztery do ośmiu procesorów graficznych o dużej pojemności. Wiele zadań związanych z widzeniem komputerowym wymaga setek i tysięcy klastrów GPU i emituje 10 razy więcej ciepła niż zwykły serwer. Niektóre zespoły startowe w tych dziedzinach musiały przeprojektować systemy klimatyzacji lub kupić ogromne kawałki lodu, aby schłodzić serwery.

Krok 4: Częste (i podatne na szum) nieporozumienia związane z AI

1. Niektóre firmy tak naprawdę dopiero rozwijają nowe cyfrowe biznesy (np. automatyzację procesów dla banków) lub oparte na regułach algorytmy uczenia maszynowego, ale twierdzą, że są sztuczną inteligencją , ze względu na uwagę i lepszą wycenę, jaką zyskuje biznes AI. Dokonując należytej staranności, możesz spróbować odkryć te przebrania, zadając im pytania, na przykład, jakie podstawowe technologie wykorzystują? Jeśli nie zatrudnili całego zespołu analityków danych i inżynierów sztucznej inteligencji, ponieważ twierdzą, że używają „AI”, czy to poprzez kontrakty z innymi firmami technologicznymi, czy wewnętrznie, może to być sygnał ostrzegawczy.
2. Czasami uczenie maszynowe + interwencja człowieka może działać lepiej niż tylko sztuczna inteligencja. Na przykład niedawno chińska firma zajmująca się technologią tłumaczeń, iFlytek, wywołała kontrowersje, gdy odkryto, że ich rzekomo symultaniczne urządzenie do tłumaczenia maszynowego jedynie słucha i kopiuje głos ludzkiego tłumacza symultanicznego. iFlytek wyjaśnił później, że tłumaczenie w czasie rzeczywistym nie jest obecnie możliwe przy wymaganej szybkości i dokładności. Uważają, że połączenie inteligencji człowieka i maszyny daje najlepsze rozwiązanie dla wyników.
3. Na koniec, moja główna lekcja wyniesiona z mojego doświadczenia ze startupami (również jako przestroga dla aspirujących przedsiębiorców i inwestorów) jest taka, że ​​istnieje duża różnica między naukowymi prototypami sztucznej inteligencji a komercyjnie skalowalnymi rozwiązaniami . Zazwyczaj prototyp naukowy może zostać opracowany przez jednego utalentowanego analityka danych przy użyciu oprogramowania do szybkiego prototypowania (np. MatLab), w ciągu zaledwie kilku miesięcy, na przykład od 1000 do 10 000 punktów danych. Prototyp skalowalny komercyjnie, jak wspomniano wcześniej, wymaga: 1) środków na zatrudnienie specjalistów AI (badaczy danych, architektów, inżynierów oprogramowania, menedżerów produktu), 2) treningowych zbiorów danych zawierających dziesiątki milionów punktów danych, 3) programu komputerowego (np. Python, C++ itp.), 4) środki na zakup serwerów komputerowych do głębokiego uczenia się lub rozwiązań w chmurze na Amazon AWS, Google Cloud, Microsoft Azure itp.

Krok 5: Wskaźniki finansowe i biznesowe

Na koniec powinieneś przeanalizować statystyki finansowe firmy AI i jej pozafinansowe perspektywy biznesowe i ocenić je tak, jak zrobiłbyś to dla innych firm technologicznych. Zobacz przykładową analizę zilustrowaną w poniższej tabeli.

Tradycyjne wskaźniki finansowe i niefinansowe służące do wyceny firmy obejmują przychody, dochód netto/przepływy pieniężne, stopę wzrostu przychodów, wskaźniki (P/E, P/S itp.), makroekonomię, konkurencję, regulacje itp. Firmy technologiczne również mają ich własne unikalne cechy. Jednym z przykładów jest to, że tempo wzrostu może być ważniejsze niż rentowność. W przypadku start-upów technologicznych na wczesnym etapie, statystyki użytkowników, takie jak aktywni użytkownicy i rezerwacje, są ważniejsze niż przychody lub przepływy pieniężne. Wyceny mogą być wyższe ze względu na zapotrzebowanie na takie inwestycje. Na przykład wskaźnik P/E dla Nvidii (NVDA) wynosi ~30x P/E, podczas gdy McDonald's (MCD) jest notowany na ~20x.

Istnieje wiele książek inwestycyjnych o tym, jak wyceniać firmę, więc nie zamierzam tutaj zagłębiać się w to zbyt szczegółowo. Jeśli jest to spółka publiczna, możesz uzyskać te informacje ze sprawozdań publicznych, takich jak raporty finansowe, lub od dostawców danych rynkowych, takich jak Google Finance lub Bloomberg. Jeśli jest to firma prywatna, możesz skontaktować się z kierownictwem firmy, aby uzyskać niezbędne informacje.

Wniosek

Podsumowując, moim zdaniem, najbardziej pożądanymi atrybutami inwestycji w AI w perspektywie krótko- lub średnioterminowej (a zatem tym, co czyni dobrą inwestycję w AI) są: 1) rozwiązanie dobrze zdefiniowanego pożądanego problemu oraz 2) brak krytyczne dla misji (nikt nie zginie, jeśli się nie powiedzie). Przypadki te obejmują obszary inteligentnej obsługi klienta, takie jak chatboty (nie tylko oparte na zasadach), diagnostyka obrazowa, rozpoznawanie twarzy, tłumaczenie maszynowe, doradcy finansowi AI, gry komputerowe itp. Oczywiście w dłuższej perspektywie wysokie ryzyko /problemy o znaczeniu krytycznym z wysokimi nagrodami (np. samochody bez kierowcy) to nagrody, na które wielu ma oko . Po ustaleniu, że mają do rozwiązania pożądany problem, możesz przeanalizować ich opłacalność komercyjną, wykonalność techniczną, statystyki finansowe i wskaźniki biznesowe.

Musisz również pomyśleć o konkretnych branżach sztucznej inteligencji, w które chcesz zainwestować. Różne branże sztucznej inteligencji mają różną pilność zapotrzebowania klientów i gotowości technologicznej, a zatem różne zwroty z inwestycji i ryzyko. Możesz inwestować w sprzęt, oprogramowanie, platformę lub usługę, a także w różnych branżach, takich jak finanse, edukacja, opieka zdrowotna, przemysł. W kolejnym artykule omówię, jak zacząć inwestować w sztuczną inteligencję, w tym w najbardziej obiecujące branże i technologie, styl inwestowania (pasywny vs. aktywny) oraz regiony geograficzne (USA vs. Chiny vs. reszta świata).