Cartilha de investimento em IA: um guia prático para avaliar o fluxo de transações de inteligência artificial (Parte II)

Sumário executivo

Em um post anterior, passei por uma cartilha básica no campo da IA ​​para investidores interessados ​​em colocar dinheiro trabalhando no espaço. Em particular, discuti alguns elementos essenciais que cada investidor deve saber para tomar decisões de investimento mais informadas:

• O que é IA?
• O que há de especial na atual onda de IA?
• Quais são os quatro componentes críticos de um aplicativo de IA bem-sucedido?

Como foi discutido, o mundo testemunhou uma explosão de interesse pelo tema. E, sem surpresa, os dólares de investimento seguiram um caminho semelhante. De acordo com a CB Insights, negócios e dólares para startups de IA têm aumentado desde 2012, com um grande salto de 60% no capital investido para US$ 5 bilhões em 2016. Statista estimou que em 2017, startups globais de IA receberam US$ 15,2 bilhões em investimento, um aumento exponencial. Aumento de 300% em relação a 2016. Além disso, as grandes empresas de tecnologia estão arrebatando startups de IA para avançar na corrida de IA.

Este post de acompanhamento pretende ser um guia mais prático para investidores que estão avaliando as perspectivas de investimento no espaço. Em particular, vou percorrer as cinco etapas críticas para avaliar um investimento relacionado à IA:

1. Atratividade do cliente (esse negócio está resolvendo um problema do cliente que vale a pena?)
2. Viabilidade comercial (o negócio ganhará dinheiro suficiente?)
3. Viabilidade técnica (pode realmente funcionar, em escala?)
4. Mal-entendidos comuns (e propensos a exageros) relacionados à IA
5. Métricas financeiras e de negócios

Observação: usarei os exemplos de algumas empresas conhecidas de capital aberto. Eu não endosso ou desencorajo os leitores a investir nessas empresas.

Etapa 1: desejo do cliente

Na minha opinião, esta etapa é a mais importante das cinco descritas neste artigo. Para começar, você precisa se perguntar: qual(is) problema(s) a empresa está tentando resolver com a tecnologia de IA? Por exemplo, carros autônomos podem melhorar a experiência de mobilidade, tornando-a mais segura, conveniente etc. A tradução automática facilita a comunicação entre humanos. Em contraste, um negócio de IA não é desejável quando:

• Ele tem como alvo um problema com o qual muitas pessoas não se importam ou podem pagar.
• Ele está visando um ponto problemático, mas muitos problemas precisam ser resolvidos para resolver esse ponto problemático.
• É tentar resolver muitos problemas ao mesmo tempo.

Outra questão complicada diz respeito a quando uma empresa está tentando resolver um problema de missão crítica . Com isso quero dizer que _a solução para o problema tem uma tolerância muito baixa para erros_ . Por exemplo, se o erro do software de IA de um veículo autônomo for de 0,001%, mesmo que objetivamente já seja uma taxa de erro muito baixa, ainda não é tolerável. 0,001% significa que pode sofrer 1 acidente a cada 1.000 horas de condução e potencialmente causar perda de vidas. Pelo contrário, se você receber a recomendação errada da Amazon ou da Netflix, mesmo que apenas 1% das vezes, ninguém morrerá. Os riscos e retornos potenciais para projetos de missão crítica, como carros autônomos ou aplicações médicas (por exemplo, diagnóstico médico, robôs cirúrgicos), são maiores do que os que não são de missão crítica, tornando-se uma questão mais difícil de lidar.

Etapa 2: viabilidade comercial

Para empresas maduras que gastam dinheiro para desenvolver um aplicativo de IA, elas devem ter um caso de negócios robusto para justificar o investimento inicial. Por exemplo, a CEO da IBM, Virginia Rometty, quer que o IBM Watson gere US$ 10 bilhões em receita anual antes de 2024. Para uma startup de IA, especialmente se for pré-receita, uma pergunta importante que sempre faço é: o mercado é grande o suficiente para o tipo de problema? a empresa está resolvendo? Por exemplo, se a empresa estiver desenvolvendo um aplicativo de IA para um país muito específico em um setor específico com um potencial de mercado máximo de US$ 1 milhão por ano, você investiria nele?

Outro aspecto que você precisa considerar é o horizonte de investimento . A tecnologia de IA mais profunda leva mais tempo para desenvolver o produto. Por exemplo, a Waymo (empresa de veículos autônomos do Google) vem testando essa tecnologia desde 2009 e ainda não lançou um produto comercial. As empresas de tecnologia de IA mais profundas também podem levar muito tempo para obter o reconhecimento do mercado e os retornos de investimento subsequentes. Tome a Nvidia (NASDAQ: NVDA) como exemplo. A Nvidia fornece os chips mais populares, GPUs, para computar os algoritmos de rede neural usados ​​em muitas aplicações de visão computacional, incluindo carros autônomos. Observando o gráfico de preços das ações abaixo, pode-se notar claramente o famoso padrão “curva S” que você vê em muitos negócios inovadores. Mas o momento é significativo: se você investisse na Nvidia desde seu IPO em 1999, não teria visto o belo retorno até depois de 2016, quando a IA de aprendizado profundo se tornou “na moda”.

Etapa 3: Viabilidade técnica

Conforme discutido em meu outro artigo, acredito que existem quatro componentes principais para o sucesso de um produto de aprendizado de máquina (incluindo aprendizado profundo): problemas bem definidos e desejáveis, dados limpos e bem rotulados, algoritmos robustos e amplo poder de computação. Os três últimos determinam a viabilidade técnica do negócio de IA. Aqui, discutirei brevemente o que esses componentes significam e como se pode conduzir a devida diligência como investidor.

Primeiro, desenvolver um algoritmo de aprendizado de máquina requer acesso a dados limpos e bem rotulados. Isso porque, como mencionado anteriormente, esses algoritmos são construídos alimentando diferentes modelos estatísticos com uma grande quantidade de dados bem rotulados para estabelecer as relações preditivas necessárias. Ao pesquisar o negócio de IA, você precisa saber se eles têm acesso a dados utilizáveis, como os obtiveram e se podem continuar a obter esses dados . Ou, se eles ainda não tiverem os dados, qual é o plano deles para coletar esses dados? A tendência de democratizar os dados do consumidor e iniciativas como o open banking oferecerá muitas oportunidades para novos aplicativos de IA.

Em segundo lugar, uma empresa de IA precisa desenvolver algoritmos robustos e escaláveis. Para conseguir isso, há três itens obrigatórios: a grande quantidade de dados bem rotulados discutidos acima, o talento certo e a confiança de que o aprendizado profundo é a tecnologia adequada para resolver o problema. Uma questão-chave é, portanto: a empresa pode atrair o talento certo ? Os principais talentos de IA, especialmente cientistas de dados e engenheiros e programadores já experientes com IA, são arrebatados por gigantes da tecnologia como Google, Facebook, Microsoft e IBM, deixando muito poucos para outras empresas e startups. Para atrair os melhores talentos, eles não apenas precisam estar preparados para pagar salários elevados (por exemplo, os funcionários do laboratório DeepMind do Google ganham em média ~US$ 345.000 por ano), mas também precisam de uma visão convincente. Além disso, você precisa perguntar se o aprendizado profundo é a tecnologia mais adequada para resolver o problema comercial. Por exemplo, para um aplicativo de consultor robótico para alocações de ativos de investidores de varejo, um programa baseado em regras pode ser muito mais barato de desenvolver e mais fácil de implementar do que um algoritmo de aprendizado profundo . Em contraste, um algoritmo de aprendizado de máquina com a capacidade de aprender com os erros e vitórias do passado, e que pode continuar a melhorar, é um candidato melhor para um algoritmo de investimento de fundos de hedge. Atualmente, as áreas que alcançaram mais avanços e que são mais adequadas para tecnologias de aprendizado profundo são processamento de linguagem natural (por exemplo, tradução automática), visão computacional (por exemplo, reconhecimento facial, carros sem motorista) e jogos (por exemplo, AlphaGo, decisão de investimento evolutiva fazer).

Terceiro, a empresa precisa ter a capacidade de adquirir amplo poder de computação . Conforme discutido em detalhes em meu artigo anterior, o poder de computação da computação em nuvem ou dos próprios servidores de GPU é caro. Há duas perguntas-chave que você precisa fazer para diligência neste aspecto: 1) Quanto poder de computação é uma tarefa típica necessária para este negócio? Esse poder de computação está disponível hoje? Isso é especialmente importante para aplicativos que exigem processamento em tempo real, mas têm apenas espaço disponível limitado no dispositivo real para acomodar GPUs e baterias (por exemplo, drones). 2) A empresa pode arcar com esse poder de computação? Por exemplo, Kaifu Lee conta uma história interessante em seu livro, Artificial Intelligence, que uma startup de aprendizado profundo na qual ele investiu gastou 7 milhões de RMB (~ 1 milhão de dólares) nos primeiros 3 meses apenas para comprar servidores de computação de aprendizado profundo. Ele enfatiza ainda que hoje, uma tarefa típica de treinamento de modelo de aprendizado profundo requer um ou vários computadores que tenham de quatro a oito GPUs de alta capacidade. Muitas tarefas de visão computacional exigem centenas e milhares de clusters de GPU e emitem 10 vezes mais calor do que um servidor normal. Algumas das equipes de startups nesses campos tiveram que redesenhar os sistemas AC ou comprar grandes blocos de gelo para resfriar os servidores.

Etapa 4: mal-entendidos comuns (e propensos a exageros) relacionados à IA

1. Algumas empresas estão apenas desenvolvendo novos negócios digitais (por exemplo, automação de processos para bancos) ou algoritmos de aprendizado de máquina não baseados em regras, mas afirmam que são IA , por causa da atenção e melhor avaliação que os negócios de IA recebem. Em sua devida diligência, você pode tentar descobrir esses disfarces fazendo perguntas como quais tecnologias subjacentes eles estão empregando? Se eles não contrataram uma equipe inteira de cientistas de dados e engenheiros de IA, pois afirmam usar “IA”, seja por meio de contratação de outras empresas de tecnologia ou internamente, pode ser uma bandeira vermelha.
2. Às vezes, aprendizado de máquina + intervenção humana podem funcionar melhor do que apenas IA. Por exemplo, recentemente, a empresa chinesa de tecnologia de tradução, iFlytek, quebrou uma controvérsia quando descobriu que seu dispositivo de tradução automática supostamente simultânea estava apenas ouvindo e copiando a voz de um tradutor simultâneo humano. Mais tarde, a iFlytek explicou que a tradução em tempo real não é possível atualmente na velocidade e precisão necessárias. Eles acham que a combinação da inteligência humana e da máquina traz a melhor solução para os resultados.
3. Por fim, minha principal lição aprendida com minha experiência em startups (também um conto de advertência para aspirantes a empreendedores e investidores) é que há uma grande diferença entre protótipos científicos de IA e soluções comercialmente escaláveis . Normalmente, um protótipo científico pode ser desenvolvido por um cientista de dados talentoso usando um software de prototipagem rápida (por exemplo, MatLab), em apenas alguns meses usando, por exemplo, 1.000 a 10.000 pontos de dados. Um protótipo comercialmente escalável, como discutido anteriormente, requer: 1) fundos para contratar especialistas em IA (cientistas de dados, arquitetos, engenheiros de software, gerentes de produto), 2) conjuntos de dados de treinamento com dezenas de milhões de pontos de dados, 3) programa de computador (por exemplo, Python, C++, etc), 4) fundos para comprar servidores de computador de aprendizado profundo ou soluções de computação em nuvem na Amazon AWS, Google Cloud, Microsoft Azure, etc.

Etapa 5: métricas financeiras e de negócios

Por fim, você deve examinar as estatísticas financeiras dos negócios de IA e suas perspectivas de negócios não financeiros e avaliá-las como faria para qualquer outra empresa de tecnologia. Veja a análise de exemplo conforme ilustrado na tabela abaixo.

As métricas financeiras e não financeiras tradicionais para avaliar o negócio incluem receita, lucro líquido/fluxo de caixa, taxa de crescimento da receita, índices (P/L, P/S, etc.), macroeconomia, concorrentes, regulamentação etc. suas próprias características únicas. Um exemplo é que a taxa de crescimento pode ser mais importante que a lucratividade. Para startups de tecnologia em estágio inicial, estatísticas de usuários, como usuários ativos e reservas, são mais importantes do que receitas ou fluxos de caixa. As valorizações podem ser maiores devido à demanda por tais investimentos. Por exemplo, a relação P/L da Nvidia (NVDA) está em ~30x P/E, enquanto o McDonald's (MCD) está sendo negociado em ~20x.

Existem muitos livros de investimento sobre como avaliar uma empresa, então não vou me aprofundar muito nisso aqui. Se for uma empresa pública, você pode obter esses detalhes de registros públicos, como relatórios financeiros, ou de provedores de dados de mercado, como Google Finance ou Bloomberg. Se for uma empresa privada, você pode entrar em contato com a administração da empresa para obter os detalhes necessários.

Conclusão

Em resumo, na minha opinião, acho que os atributos mais desejáveis ​​para um investimento em IA no curto e médio prazo (e, portanto, o que faz um bom investimento em IA), são: 1) resolver um problema desejável bem definido e 2) não missão crítica (ninguém morrerá se falhar). Esses casos incluem as áreas de atendimento ao cliente inteligente, como chatbots (não puramente baseado em regras), diagnóstico por imagem médica, reconhecimento facial, tradução automática, consultores financeiros de IA, jogos de computador etc. /problemas de missão crítica de alta recompensa (por exemplo, carros sem motorista) são os prêmios em que muitos estão de olho . Depois de determinar que eles têm um problema desejável para resolver, você pode analisar sua viabilidade comercial, viabilidade técnica, estatísticas financeiras e métricas de negócios.

Você também precisa pensar nos verticais específicos de IA nos quais deseja investir. Diferentes verticais de IA têm urgências diferentes de demanda do cliente e prontidão tecnológica e, portanto, retornos e riscos de investimento diferentes. Você pode investir em hardware versus software versus plataforma versus serviço e em diferentes setores, como financeiro, educação, saúde, industrial. Em um artigo subsequente, discutirei como você pode começar a investir em IA, incluindo as verticais e tecnologias mais promissoras, estilo de investimento (passivo versus ativo) e geografias (EUA versus China versus resto do mundo).