Руководство по инвестициям в искусственный интеллект: практическое руководство по оценке потока сделок с искусственным интеллектом (часть II)

Опубликовано: 2022-03-11

Управляющее резюме

Пять вещей, которые нужно сделать, чтобы усердно инвестировать в ИИ:
  • Привлекательность для клиентов (решает ли этот бизнес стоящую проблему клиентов?)
  • Коммерческая жизнеспособность (будет ли бизнес приносить достаточно денег?)
  • Техническая осуществимость (может ли это действительно работать в масштабе?)
  • Распространенные (и вызывающие шумиху) заблуждения, связанные с ИИ
  • Финансовые и бизнес-показатели
Проверка желательности клиента:
  • Для начала нужно спросить: какие проблемы пытается решить бизнес с помощью технологии ИИ?
  • бизнес ИИ нежелателен, когда: (а) он нацелен на проблему, которая не волнует многих людей или за которую они не могут заплатить, (б) он нацелен на болевую точку, но необходимо решить слишком много проблем, чтобы решить эту болевую точку , и (c) он пытается решить слишком много проблем одновременно.
  • Сложная проблема связана с тем, что бизнес пытается решить критически важную проблему, что означает, что решение проблемы имеет очень низкую устойчивость к ошибкам. Потенциальные риски и прибыль для критически важных проектов, таких как беспилотные автомобили или медицинские приложения, выше, чем у некритичных, что усложняет решение этой проблемы.
Проверка коммерческой жизнеспособности:
  • Зрелые компании, тратящие деньги на разработку приложения ИИ, должны иметь надежное экономическое обоснование, чтобы оправдать первоначальные инвестиции.
  • Для стартапа в области ИИ, особенно если это предварительный доход, важный вопрос заключается в том, достаточно ли велик целевой адресный рынок.
  • Еще один аспект, который необходимо учитывать, — это инвестиционный горизонт, поскольку для разработки более глубоких технологий ИИ требуется больше времени.
Техническое обоснование:
  • Для разработки алгоритма машинного обучения требуется доступ к чистым и хорошо размеченным данным. Поэтому необходимо знать, есть ли у них доступ к пригодным для использования данным, как они их получили и могут ли они продолжать получать такие данные.
  • Бизнес ИИ должен разрабатывать надежные, масштабируемые алгоритмы. Для этого необходимы три условия: большой объем хорошо размеченных данных, о которых говорилось выше, правильный талант и уверенность в том, что машинное обучение является подходящей технологией для решения проблемы.
  • Предприятия, использующие ИИ, должны иметь возможность приобретать обширные вычислительные мощности. Таким образом, возникает два ключевых вопроса: 1) Какая вычислительная мощность требуется для выполнения типичной задачи в этом бизнесе? Доступна ли сегодня такая вычислительная мощность? 2) Может ли бизнес позволить себе такую ​​вычислительную мощность?
Распространенные (и вызывающие шумиху) заблуждения, связанные с ИИ:
  • Некоторые компании на самом деле просто разрабатывают новый цифровой бизнес или алгоритмы немашинного обучения, основанные на правилах, но утверждают, что они ИИ, из-за внимания и более высокой оценки бизнеса ИИ. Во время должной осмотрительности следует запросить подробности об используемых базовых технологиях, и если компания не наняла целую команду специалистов по данным и инженеров ИИ, это должно вызывать сомнения.
  • Иногда машинное обучение, смешанное со старомодным вмешательством человека, может работать лучше, чем просто ИИ.
  • Существует большая разница между научными прототипами ИИ и коммерчески масштабируемыми решениями. Как правило, научный прототип может быть разработан одним талантливым специалистом по данным с помощью программного обеспечения для быстрого прототипирования всего за несколько месяцев. Вместо этого коммерчески масштабируемый прототип требует значительного финансирования, доступа к большим объемам данных, передовых и масштабируемых алгоритмов, а также доступа к сильным специалистам.

В предыдущем посте я прошел базовый курс по искусственному интеллекту для инвесторов, заинтересованных в том, чтобы заставить деньги работать в космосе. В частности, я обсудил несколько важных элементов, которые должен знать каждый инвестор, чтобы принимать более обоснованные инвестиционные решения:

  • Что такое ИИ?
  • Что особенного в нынешней волне ИИ?
  • Каковы четыре важнейших компонента успешного приложения ИИ?

Как уже говорилось, в мире наблюдается взрыв интереса к этой теме. И неудивительно, что инвестиционные доллары пошли по тому же пути. По данным CB Insights, с 2012 года количество сделок и долларов, вложенных в стартапы в области ИИ, росли с огромным скачком на 60% вложенного капитала до 5 миллиардов долларов в 2016 году. По оценкам Statista, в 2017 году глобальные стартапы в области ИИ получили инвестиции в размере Увеличение на 300% по сравнению с 2016 годом. Кроме того, крупные технологические компании скупают стартапы в области ИИ, чтобы вырваться вперед в гонке ИИ.

График годовой истории глобального финансирования ИИ, 2012-2016 гг.

Диаграмма, показывающая гонку за приобретением лучших стартапов в области ИИ.

Этот последующий пост призван стать более практичным руководством для инвесторов, которые оценивают инвестиционные перспективы в космосе. В частности, я рассмотрю пять важнейших шагов для оценки инвестиций, связанных с ИИ:

  1. Привлекательность для клиентов (решает ли этот бизнес стоящую проблему клиентов?)
  2. Коммерческая жизнеспособность (будет ли бизнес приносить достаточно денег?)
  3. Техническая осуществимость (может ли это действительно работать в масштабе?)
  4. Распространенные (и вызывающие шумиху) заблуждения, связанные с ИИ
  5. Финансовые и бизнес-показатели

Обратите внимание: я буду использовать примеры некоторых известных публичных компаний. Я не одобряю и не отговариваю читателей инвестировать в эти компании.

Шаг 1: желательность для клиента

На мой взгляд, этот шаг — самый важный из пяти, описанных в этой статье. Для начала вам нужно спросить себя: какие проблемы пытается решить бизнес с помощью технологии ИИ? Например, беспилотные автомобили могут улучшить мобильность, сделав ее более безопасной, удобной и т. д. Машинный перевод облегчает людям общение друг с другом. Напротив, бизнес ИИ нежелателен, когда:

  • Он направлен на решение проблемы, о которой мало кто заботится или за которую может заплатить.
  • Он нацеливается на болевую точку, но нужно решить слишком много проблем, чтобы решить эту болевую точку.
  • Он пытается решить слишком много проблем одновременно.

Еще одна сложная проблема связана с тем, когда бизнес пытается решить критически важную проблему . Под этим я подразумеваю, что _ решение проблемы имеет очень низкую устойчивость к ошибкам_ . Например, если ошибка программного обеспечения искусственного интеллекта автономного транспортного средства составляет 0,001%, даже если объективно это уже очень низкий уровень ошибок, это все равно недопустимо. 0,001% означает, что на каждые 1000 часов вождения может попадать 1 авария, что потенциально может привести к гибели людей. Напротив, если вы получите неправильную рекомендацию Amazon или Netflix даже в 1% случаев, никто не умрет. Потенциальные риски и прибыль для критически важных проектов, таких как беспилотные автомобили или медицинские приложения (например, медицинская диагностика, хирургические роботы), выше, чем у некритичных, что усложняет решение этой проблемы.

Шаг 2: Коммерческая жизнеспособность

Зрелые компании, тратящие деньги на разработку приложения ИИ, должны иметь надежное экономическое обоснование , чтобы оправдать первоначальные инвестиции. Например, генеральный директор IBM Вирджиния Рометти хочет, чтобы IBM Watson приносила годовой доход в размере 10 миллиардов долларов до 2024 года. Для запуска ИИ, особенно если это предварительный доход, я всегда задаю важный вопрос: достаточно ли велик рынок для таких проблем? компания решает? Например, если компания разрабатывает приложение ИИ для очень конкретной страны в конкретной отрасли с максимальным рыночным потенциалом в 1 миллион долларов в год, стали бы вы инвестировать в него?

Еще один аспект, который необходимо учитывать, — это инвестиционный горизонт . Более глубокая технология искусственного интеллекта требует больше времени для разработки продукта. Например, Waymo (компания Google по производству автономных транспортных средств) тестирует эту технологию с 2009 года и до сих пор не выпустила коммерческий продукт. Компаниям, занимающимся технологиями более глубокого ИИ, также может потребоваться много времени, чтобы получить признание на рынке и последующую прибыль от инвестиций. Возьмите Nvidia (NASDAQ: NVDA) в качестве примера. Nvidia поставляет самые популярные чипы, графические процессоры, для вычисления алгоритмов нейронных сетей, используемых во многих приложениях компьютерного зрения, включая беспилотные автомобили. Глядя на приведенный ниже график цен на акции, можно ясно заметить известную модель «S-образной кривой», которую вы видите во многих инновационных компаниях. Но время имеет большое значение: если бы вы инвестировали в Nvidia с момента ее IPO в 1999 году, вы бы не увидели солидную прибыль до 2016 года, когда искусственный интеллект с глубоким обучением стал «в моде».

График динамики цен на корпоративные акции NVIDEIA.

Шаг 3: Техническая осуществимость

Как обсуждалось в другой моей статье, я считаю, что успех продукта машинного обучения (включая глубокое обучение) состоит из четырех ключевых компонентов: четко определенные и желаемые проблемы, чистые и хорошо помеченные данные, надежные алгоритмы и обширная вычислительная мощность. Последние три определяют техническую осуществимость бизнеса ИИ. Здесь я кратко расскажу, что означают эти компоненты и как можно провести комплексную проверку в качестве инвестора.

Во-первых, для разработки алгоритма машинного обучения требуется доступ к чистым и хорошо размеченным данным. Это связано с тем, что, как упоминалось ранее, эти алгоритмы строятся путем подачи в различные статистические модели большого количества данных, которые хорошо помечены для установления необходимых прогностических взаимосвязей. Когда вы исследуете бизнес ИИ, вам необходимо знать , есть ли у них доступ к полезным данным, как они их получили и могут ли они продолжать получать такие данные . Или, если у них еще нет данных, каковы их планы по сбору таких данных? Тенденция к демократизации потребительских данных и такие инициативы, как открытый банкинг, откроют множество возможностей для новых приложений ИИ.

Во-вторых, ИИ-бизнесу необходимо разработать надежные, масштабируемые алгоритмы. Для этого необходимы три условия: большой объем хорошо размеченных данных, о которых говорилось выше, правильный талант и уверенность в том, что глубокое обучение — это подходящая технология для решения проблемы. Таким образом, ключевой вопрос заключается в следующем: может ли бизнес привлечь нужные таланты ? Лучшие специалисты в области ИИ, особенно специалисты по данным, инженеры и программисты, уже имеющие опыт работы с ИИ, перехватываются технологическими гигантами, такими как Google, Facebook, Microsoft и IBM, и очень немногие остаются для других корпораций и стартапов. Чтобы привлечь лучшие таланты, они не только должны быть готовы платить огромные зарплаты (например, сотрудники лаборатории Google DeepMind зарабатывают в среднем около 345 000 долларов США в год), но и иметь убедительное видение. Кроме того, вам нужно спросить, является ли глубокое обучение наиболее подходящей технологией для решения коммерческой задачи. Например, для приложения робота-советника для распределения активов розничных инвесторов программа, основанная на правилах, может быть намного менее затратной в разработке и более простой в реализации, чем алгоритм глубокого обучения . Напротив, алгоритм машинного обучения, способный учиться на прошлых ошибках и победах и способный продолжать самосовершенствоваться, является лучшим кандидатом для алгоритма инвестирования в хедж-фонд. В настоящее время областями, которые добились наибольшего прорыва и которые наиболее подходят для технологий глубокого обучения, являются обработка естественного языка (например, машинный перевод), компьютерное зрение (например, распознавание лиц, беспилотные автомобили) и игры (например, AlphaGo, эволюционное инвестиционное решение). изготовление).

В-третьих, бизнес должен иметь возможность приобретать большие вычислительные мощности . Как подробно обсуждалось в моей предыдущей статье, вычислительная мощность облачных вычислений или собственных серверов GPU стоит дорого. Есть два ключевых вопроса, которые вам нужно задать для усердия в этом аспекте: 1) Какая вычислительная мощность требуется для типичной задачи для этого бизнеса? Доступна ли сегодня такая вычислительная мощность? Это особенно важно для приложений, которые требуют обработки в реальном времени, но имеют ограниченное доступное пространство на фактическом устройстве для размещения графических процессоров и аккумуляторов (например, дронов). 2) Может ли бизнес позволить себе такую ​​вычислительную мощность? Например, Кайфу Ли рассказывает интересную историю в своей книге «Искусственный интеллект» о том, что стартап глубокого обучения, в который он инвестировал, потратил 7 миллионов юаней (~ 1 миллион долларов США) за первые 3 месяца только на покупку серверов вычислений для глубокого обучения. Он также подчеркивает, что сегодня для типичной задачи обучения модели глубокого обучения требуется один или несколько компьютеров с четырьмя-восьмя графическими процессорами высокой емкости. Многие задачи компьютерного зрения требуют сотен и тысяч кластеров графических процессоров и выделяют в 10 раз больше тепла, чем обычный сервер. Некоторым командам стартапов в этих областях пришлось перепроектировать системы кондиционирования воздуха или купить огромные куски льда для охлаждения серверов.

Круговая диаграмма трех столпов технической осуществимости стартапов ИИ.

Шаг 4. Распространенные (и вызывающие шумиху) заблуждения, связанные с ИИ

  1. Некоторые компании на самом деле просто разрабатывают новый цифровой бизнес (например, автоматизацию процессов для банков) или алгоритмы немашинного обучения, основанные на правилах, но заявляют, что они являются ИИ из-за внимания и более высокой оценки бизнеса ИИ. При должной осмотрительности вы можете попытаться обнаружить эти маскировки, задав им вопросы, например, какие базовые технологии они используют? Если они не наняли целую команду специалистов по обработке и анализу данных и инженеров по искусственному интеллекту, поскольку они утверждают, что используют «ИИ», будь то по контракту с другими технологическими компаниями или внутри компании, то это может быть тревожным сигналом.
  2. Иногда машинное обучение + вмешательство человека могут работать лучше, чем просто ИИ. Например, недавно китайская компания iFlytek, занимающаяся технологиями перевода, вызвала споры, когда было обнаружено, что их якобы устройство для синхронного машинного перевода просто слушает и копирует голос человека-синхронного переводчика. Позже iFlytek объяснил, что перевод в реальном времени в настоящее время невозможен с требуемой скоростью и точностью. Они считают, что сочетание человеческого и машинного интеллекта дает наилучшие результаты.
  3. Наконец, мой главный урок, извлеченный из моего стартап-опыта (также поучительный рассказ для начинающих предпринимателей и инвесторов), заключается в том, что существует большая разница между научными прототипами ИИ и коммерчески масштабируемыми решениями . Обычно научный прототип может быть разработан одним талантливым специалистом по данным с использованием программного обеспечения для быстрого прототипирования (например, MatLab) всего за несколько месяцев с использованием, например, от 1000 до 10 000 точек данных. Коммерчески масштабируемый прототип, как обсуждалось ранее, требует: 1) средств для найма специалистов по ИИ (специалистов по данным, архитекторов, инженеров-программистов, менеджеров по продуктам), 2) обучающих наборов данных с десятками миллионов точек данных, 3) компьютерной программы (например, Python, C++ и т. д.), 4) средства для покупки компьютерных серверов глубокого обучения или решений для облачных вычислений на Amazon AWS, Google Cloud, Microsoft Azure и т. д.

Шаг 5: Финансовые и бизнес-показатели

Наконец, вы должны тщательно изучить финансовую статистику бизнеса ИИ и его нефинансовые бизнес-перспективы и оценить их так же, как вы бы сделали это для любых других технологических компаний. См. пример анализа, как показано в таблице ниже.

Пример анализа Microsoft, Google, Facebook, Nvidia и IBM.

Традиционные финансовые и нефинансовые показатели для оценки бизнеса включают выручку, чистую прибыль/денежные потоки, темпы роста выручки, коэффициенты (P/E, P/S и т. д.), макроэкономику, конкурентов, регулирование и т. д. Технологические компании также свои уникальные особенности. Одним из примеров является то, что темпы роста могут быть более важными, чем прибыльность. Для технологических стартапов на ранней стадии пользовательская статистика, такая как активные пользователи и заказы, важнее, чем доходы или денежные потоки. Оценки могут быть выше из-за спроса на такие инвестиции. Например, коэффициент P/E для Nvidia (NVDA) составляет ~30x P/E, а McDonald's (MCD) торгуется на уровне ~20x.

Существует множество инвестиционных книг о том, как оценивать компанию, поэтому я не буду вдаваться в подробности. Если это публичная компания, вы можете получить эти сведения из общедоступных документов, таких как финансовые отчеты, или от поставщиков рыночных данных, таких как Google Finance или Bloomberg. Если это частная компания, вы можете связаться с руководством компании, чтобы получить необходимые детали.

Заключение

Подводя итог, на мой взгляд, наиболее желательными атрибутами для инвестиций в ИИ в краткосрочной и среднесрочной перспективе (и, следовательно, что делает инвестиции в ИИ хорошими) являются: 1) решение четко определенной желаемой проблемы и 2) не- критически важный (никто не умрет, если он потерпит неудачу). Эти случаи включают в себя такие области умного обслуживания клиентов, как чат-боты (не только основанные на правилах), диагностика медицинских изображений, распознавание лиц, машинный перевод, финансовые консультанты с искусственным интеллектом, компьютерные игры и т. д. Конечно, в долгосрочной перспективе высокий риск /Высокое вознаграждение Критически важные задачи (например, беспилотные автомобили) – это награда, на которую многие смотрят . Как только вы определите, что у них есть желаемая проблема, которую нужно решить, вы можете проанализировать их коммерческую жизнеспособность, техническую осуществимость, финансовую статистику и бизнес-показатели.

Вам также необходимо подумать о конкретных вертикалях ИИ, в которые вы хотите инвестировать. Разные вертикали ИИ имеют разную срочность потребительского спроса и технологическую готовность, и, следовательно, разные доходы и риски инвестиций. Вы можете инвестировать в оборудование, программное обеспечение, платформу или услуги, а также в различные отрасли, такие как финансы, образование, здравоохранение, промышленность. В следующей статье я расскажу, как вы можете начать инвестировать в ИИ, включая наиболее перспективные вертикали и технологии, стиль инвестирования (пассивный или активный) и географическое положение (США, Китай или остальной мир).