AI Investment Primer: Yapay Zeka Dealflow'u Değerlendirmek için Pratik Bir Kılavuz (Bölüm II)

Yönetici Özeti

Önceki bir gönderide, uzayda para işi yapmakla ilgilenen yatırımcılar için AI alanında temel bir astardan geçtim. Özellikle, daha bilinçli yatırım kararları alabilmek için her yatırımcının bilmesi gereken birkaç temel unsurdan bahsettim:

• AI nedir?
• Mevcut AI dalgası hakkında özel olan nedir?
• Başarılı bir yapay zeka uygulamasının dört kritik bileşeni nelerdir?

Tartışıldığı gibi, dünya konuya ilgi patlamasına tanık oldu. Ve şaşırtıcı olmayan bir şekilde, yatırım dolarları da benzer bir yol izledi. CB Insights'a göre, AI girişimlerine yapılan anlaşmalar ve dolarlar 2012'den bu yana artıyor ve yatırım sermayesinde %60'lık büyük bir sıçrama ile 2016'da 5 milyar dolara çıkıyor. Statista, 2017'de küresel AI girişimlerinin 15.2 milyar dolar yatırım aldığını tahmin ediyor, bu da katlanarak arttı. 2016'ya göre %300 artış. Ayrıca, büyük teknoloji şirketleri yapay zeka yarışında öne geçmek için yapay zeka girişimlerini kapıyor.

Bu takip yazısı, uzaydaki yatırım beklentilerini değerlendiren yatırımcılar için daha pratik bir rehber olmayı amaçlamaktadır. Özellikle, yapay zeka ile ilgili bir yatırımı değerlendirmek için beş kritik adımdan geçeceğim:

1. Müşteri çekiciliği (bu işletme, değerli bir müşteri sorununu çözüyor mu?)
2. Ticari uygulanabilirlik (işletme yeterli para kazanacak mı?)
3. Teknik fizibilite (aslında geniş ölçekte çalışabilir mi?)
4. AI ile ilgili yaygın (ve abartıya kaçan) yanlış anlamalar
5. Mali ve ticari metrikler

Lütfen dikkat: Bazı tanınmış halka açık şirketlerin örneklerini kullanacağım. Okuyucuları bu şirketlere yatırım yapmaya teşvik etmiyorum veya cesaretini kırmıyorum.

Adım 1: Müşteri çekiciliği

Bence bu adım, bu makalede özetlenen beş adımdan en önemlisidir . Başlangıç ​​olarak kendinize şunu sormalısınız : İşletmenin yapay zeka teknolojisiyle çözmeye çalıştığı sorun(lar) nedir? Örneğin, kendi kendini süren arabalar, mobilite deneyimini daha güvenli, daha kullanışlı vb. hale getirerek iyileştirebilir. Makine çevirisi, insanların birbirleriyle iletişim kurmasını kolaylaştırır. Buna karşılık, bir AI işi şu durumlarda arzu edilmez:

• Pek çok kişinin umursamadığı veya bedelini ödeyemeyeceği bir sorunu hedef alıyor.
• Bir acı noktasını hedefliyor, ancak bu acı noktasını ele almak için çok fazla sorunun çözülmesi gerekiyor.
• Aynı anda çok fazla sorunu çözmeye çalışıyor.

Bir diğer zor konu, bir işletmenin kritik bir sorunu çözmeye çalıştığı zaman ile ilgilidir. Bununla, _ sorunun çözümünün error_ için çok düşük bir toleransı olduğunu kastediyorum . Örneğin, otonom bir araç AI yazılımının hatası %0,001 ise, bu nesnel olarak zaten çok düşük bir hata oranı olsa bile, yine de tolere edilemez. %0,001'i, kullandığı her 1000 saatte 1 kaza yapabileceği ve potansiyel olarak can kaybına neden olabileceği anlamına gelir. Aksine, yanlış Amazon veya Netflix tavsiyesi alırsanız, zamanın sadece %1'inde bile kimse ölmez. Kendi kendini süren arabalar veya tıbbi uygulamalar (örneğin tıbbi teşhis, cerrahi robotlar) gibi görev açısından kritik projelerin potansiyel riskleri ve getirileri, kritik olmayan görevlerden daha büyüktür ve bu da onu ele alınmasını daha zor hale getirir.

2. Adım: Ticari uygulanabilirlik

Bir yapay zeka uygulaması geliştirmek için para harcayan olgun işletmeler için, ön yatırımı haklı çıkarmak için sağlam bir ticari gerekçeye sahip olmaları gerekir. Örneğin, IBM CEO'su Virginia Rometty, IBM Watson'ın 2024'ten önce yıllık 10 milyar dolar gelir elde etmesini istiyor. Bir yapay zeka girişimi için, özellikle de gelir öncesi ise, her zaman sorduğum önemli bir soru şudur: pazar bu tür sorunlar için yeterince büyük mü? şirket çözüyor mu? Örneğin, şirket belirli bir sektördeki çok özel bir ülke için yılda maksimum 1 milyon dolarlık bir pazar potansiyeline sahip bir yapay zeka uygulaması geliştiriyorsa, buna yatırım yapar mıydınız?

Dikkate almanız gereken bir diğer husus da yatırım ufku . Daha derin AI teknolojisinin ürünü geliştirmesi daha uzun sürer. Örneğin, Waymo (Google'ın otonom sürüş aracı şirketi) 2009'dan beri bu teknolojiyi test ediyor ve hala ticari bir ürün piyasaya sürmedi. Daha derin AI teknoloji şirketlerinin pazarda tanınmasını ve ardından yatırım getirilerini elde etmesi uzun zaman alabilir. Örnek olarak Nvidia'yı (NASDAQ: NVDA) alın. Nvidia, sürücüsüz arabalar da dahil olmak üzere birçok bilgisayarla görme uygulamasında kullanılan sinir ağı algoritmalarını hesaplamak için en popüler çipler olan GPU'ları sağlıyor. Aşağıdaki hisse senedi fiyat grafiğine bakıldığında, birçok yenilikçi işte gördüğünüz ünlü “S eğrisi” modelini açıkça görebilirsiniz. Ancak zamanlama önemli: 1999'daki halka arzından bu yana Nvidia'ya yatırım yaptıysanız, derin öğrenme yapay zekasının "moda" olduğu 2016'dan sonraya kadar bu güzel dönüşü görmezdiniz.

Adım 3: Teknik fizibilite

Diğer makalemde tartışıldığı gibi, bir makine öğrenimi (derin öğrenme dahil) ürününün başarısının dört temel bileşeni olduğuna inanıyorum: iyi tanımlanmış ve istenen sorunlar, temiz ve iyi etiketlenmiş veriler, sağlam algoritmalar ve kapsamlı bilgi işlem gücü. Son üçü, yapay zeka işinin teknik fizibilitesini belirler. Burada, bu bileşenlerin ne anlama geldiğini ve bir yatırımcı olarak durum tespitinin nasıl yapılabileceğini kısaca tartışacağım.

İlk olarak, bir makine öğrenimi algoritması geliştirmek, temiz ve iyi etiketlenmiş verilere erişim gerektirir. Bunun nedeni, daha önce bahsedildiği gibi, bu algoritmaların, gerekli tahmin ilişkilerini kurmak için iyi etiketlenmiş büyük miktarda veriyi farklı istatistiksel modellerle besleyerek oluşturulmuş olmasıdır. Yapay zeka işini araştırırken, onların kullanılabilir verilere erişimi olup olmadığını, bunları nasıl elde ettiklerini ve bu tür verileri elde etmeye devam edip etmeyeceklerini bilmeniz gerekir. Veya, halihazırda verilere sahip değillerse, bu tür verileri toplama planları nedir? Tüketici verilerini demokratikleştirme eğilimi ve açık bankacılık gibi girişimler, yeni AI uygulamaları için birçok fırsat sağlayacaktır.

İkincisi, bir yapay zeka işinin sağlam, ölçeklenebilir algoritmalar geliştirmesi gerekiyor. Bunu başarmak için olmazsa olmaz üç şey vardır: yukarıda tartışılan büyük miktarda iyi etiketlenmiş veri, doğru yetenek ve derin öğrenmenin sorunu çözmek için uygun teknoloji olduğuna dair güven. Bu nedenle önemli bir soru şudur: işletme doğru yeteneği çekebilir mi? En iyi AI yetenekleri, özellikle de AI ile deneyimli veri bilimcileri ve mühendisleri ve programcıları, Google, Facebook, Microsoft ve IBM gibi teknoloji devleri tarafından kapılır ve diğer şirketler ve yeni başlayanlar için çok az şey bırakır. En iyi yetenekleri çekmek için, yalnızca yüksek maaşlar ödemeye hazır olmaları gerekmez (örneğin, Google'ın DeepMind laboratuvarının çalışanları yılda ortalama ~345.000 ABD Doları kazanır), aynı zamanda ikna edici bir vizyona da ihtiyaçları vardır. Ayrıca derin öğrenmenin ticari sorunu çözmek için en uygun teknoloji olup olmadığını da sormanız gerekiyor. Örneğin, perakende yatırımcıların varlık tahsislerine yönelik bir robo-danışman uygulaması için, kural tabanlı bir programın geliştirilmesi, derin öğrenme algoritmasına göre çok daha az maliyetli ve uygulanması daha kolay olabilir . Buna karşılık, geçmiş hatalardan ve zaferlerden ders alma yeteneğine sahip ve kendini geliştirmeye devam edebilen bir makine öğrenimi algoritması, bir hedge fon yatırım algoritması için daha iyi bir adaydır. Halihazırda, en büyük atılımları gerçekleştiren ve derin öğrenme teknolojileri için en uygun alanlar doğal dil işleme (örneğin makine çevirisi), bilgisayarla görme (örneğin yüz tanıma, sürücüsüz arabalar) ve oyun oynamadır (örneğin AlphaGo, evrimsel yatırım kararı yapımı).

Üçüncüsü, işletmenin kapsamlı bilgi işlem gücü elde etme becerisine sahip olması gerekir . Önceki makalemde ayrıntılı olarak tartışıldığı gibi, bulut bilişimden veya kişinin kendi GPU sunucularından gelen bilgi işlem gücü maliyetlidir. Bu konuda titizlik için sormanız gereken iki önemli soru vardır: 1) Bu iş için tipik bir görev ne kadar bilgi işlem gücü gerektirir? Böyle bir bilgi işlem gücü bugün mevcut mu? Bu, gerçek zamanlı işleme gerektiren ancak gerçek cihazda GPU'ları ve pilleri (örneğin drone'lar) yerleştirmek için yalnızca sınırlı kullanılabilir alana sahip uygulamalar için özellikle önemlidir. 2) İşletme böyle bir bilgi işlem gücünü karşılayabilir mi? Örneğin, Kaifu Lee, Yapay Zeka adlı kitabında, yatırım yaptığı bir derin öğrenme girişiminin ilk 3 ayda sadece derin öğrenme bilgi işlem sunucuları satın almak için 7 milyon RMB (~1 milyon USD) harcadığını anlatan ilginç bir hikaye anlatıyor. Ayrıca, günümüzde tipik bir derin öğrenme modeli eğitimi görevinin, dört ila sekiz yüksek kapasiteli GPU'ya sahip bir veya daha fazla bilgisayar gerektirdiğini vurguluyor. Birçok bilgisayarla görü görevi, yüzlerce ve binlerce GPU kümesi gerektirir ve normal bir sunucudan 10 kat daha fazla ısı yayar. Bu alanlardaki başlangıç ​​ekiplerinden bazıları, sunucuları soğutmak için AC sistemlerini yeniden tasarlamak veya büyük buz parçaları satın almak zorunda kaldı.

4. Adım: Yapay Zeka ile ilgili yaygın (ve abartıya kaçan) yanlış anlamalar

1. Bazı şirketler gerçekten yeni dijital işler (örneğin bankalar için süreç otomasyonu) veya kural tabanlı makine olmayan öğrenme algoritmaları geliştiriyor, ancak AI işinin aldığı dikkat ve daha iyi değerleme nedeniyle AI olduklarını iddia ediyorlar . Durum tespitinizde, hangi temel teknolojileri kullandıkları gibi sorular sorarak bu maskeleri bulmaya çalışabilirsiniz. Diğer teknoloji şirketleriyle sözleşme yaparak veya şirket içinde "AI" kullandıklarını iddia ettikleri için tüm bir veri bilimcisi ve AI mühendisi ekibini işe almamışlarsa, bu bir tehlike işareti olabilir.
2. Bazen makine öğrenimi + insan müdahalesi yapay zekadan daha iyi sonuç verebilir. Örneğin, kısa bir süre önce, Çin çeviri teknolojisi şirketi iFlytek, sözde eşzamanlı makine çeviri cihazının yalnızca bir insan eşzamanlı çevirmenin sesini dinlediği ve kopyaladığı keşfedildiğinde bir tartışma başlattı. iFlytek daha sonra gerçek zamanlı çevirinin şu anda gereken hız ve doğrulukta mümkün olmadığını açıkladı. İnsan ve makine zekasının birleşiminin sonuçlar için en iyi çözümü getirdiğini düşünüyorlar.
3. Son olarak, startup deneyimimden öğrendiğim ana ders (ayrıca hevesli girişimciler ve yatırımcılar için uyarıcı bir hikaye), bilimsel AI prototipleri ile ticari olarak ölçeklenebilir çözümler arasında büyük bir fark olduğudur . Tipik olarak bir bilimsel prototip, yetenekli bir veri bilimcisi tarafından hızlı bir prototipleme yazılımı (örn. MatLab) kullanılarak, örneğin 1000 ila 10.000 veri noktası kullanılarak sadece birkaç ayda geliştirilebilir. Daha önce tartışıldığı gibi, ticari olarak ölçeklenebilir bir prototip şunları gerektirir: 1) AI uzmanlarını (veri bilimcileri, mimarlar, yazılım mühendisleri, ürün yöneticileri) işe almak için fonlar, 2) on milyonlarca veri noktası içeren eğitim veri kümeleri, 3) bilgisayar programı (ör. Python, C++, vb.), 4) Amazon AWS, Google Cloud, Microsoft Azure vb. üzerinde derin öğrenme bilgisayar sunucuları veya bulut bilişim çözümleri satın almak için fon sağlar.

Adım 5: Mali ve ticari metrikler

Son olarak, AI işinin finansal istatistiklerini ve finansal olmayan ticari perspektiflerini incelemeli ve diğer teknoloji şirketleri için nasıl yapacağınızı değerlendirmelisiniz. Aşağıdaki tabloda gösterildiği gibi örnek analize bakın.

İşletmeyi değerlemeye yönelik geleneksel finansal ve finansal olmayan ölçütler arasında gelir, net gelir/nakit akışları, gelir artış oranı, oranlar (F/K, P/S, vb.), makroekonomi, rakipler, düzenleme vb. bulunur. Teknoloji şirketlerinin ayrıca kendi benzersiz özellikleri. Bir örnek, büyüme oranının kârlılıktan daha önemli olabileceğidir. Erken aşamadaki teknoloji girişimleri için, aktif kullanıcılar ve rezervasyonlar gibi kullanıcı istatistikleri, gelirlerden veya nakit akışlarından daha önemlidir. Bu tür yatırımlara olan talep nedeniyle değerlemeler daha yüksek olabilir. Örneğin, Nvidia (NVDA) için F/K oranı ~30x P/E'deyken, McDonald's (MCD) ~20x'te işlem görüyor.

Bir şirkete nasıl değer biçileceğine dair birçok yatırım kitabı var, bu yüzden burada bunu çok ayrıntılı olarak incelemeyeceğim. Halka açık bir şirketse, bu ayrıntıları mali raporlar gibi halka açık dosyalardan veya Google Finans veya Bloomberg gibi piyasa verisi sağlayıcılarından alabilirsiniz. Özel bir şirket ise gerekli detayları almak için şirket yönetimi ile iletişime geçebilirsiniz.

Çözüm

Özetle, bence, kısa ve orta vadede bir yapay zeka yatırımı için en çok arzu edilen nitelikler (ve dolayısıyla iyi bir yapay zeka yatırımı yapan şey) şunlardır: 1) iyi tanımlanmış arzu edilen bir sorunu çözmek ve 2) istenmeyen bir sorunu çözmek. kritik görev (başarısız olursa kimse ölmez). Bu durumlar, sohbet robotları (tamamen kural tabanlı değil), tıbbi görüntüleme teşhisi, yüz tanıma, makine çevirisi, yapay zeka finansal danışmanları, bilgisayar oyunları vb. gibi akıllı müşteri hizmetleri alanlarını içerir. Elbette , uzun vadede yüksek risk /yüksek ödüllü görev açısından kritik sorunlar (örneğin sürücüsüz arabalar) , birçoğunun gözünün üzerinde olduğu ödüllerdir . Çözülmesi gereken bir sorunu olduğunu belirledikten sonra, ticari uygulanabilirliğini, teknik fizibilitesini, mali istatistiklerini ve iş ölçütlerini analiz edebilirsiniz.

Ayrıca yatırım yapmak istediğiniz belirli yapay zeka sektörlerini de düşünmeniz gerekir. Farklı yapay zeka sektörlerinin müşteri talebi ve teknoloji hazırlığı açısından farklı aciliyeti ve dolayısıyla farklı yatırım getirileri ve riskleri vardır. Donanıma karşı yazılıma karşı platforma karşı hizmete ve finans, eğitim, sağlık, endüstri gibi farklı sektörlere yatırım yapabilirsiniz. Sonraki bir makalede, en umut verici dikeyler ve teknolojiler, yatırım tarzı (pasif ve aktif) ve coğrafyalar (ABD ve Çin ve dünyanın geri kalanı) dahil olmak üzere yapay zekaya nasıl yatırım yapmaya başlayabileceğinizi tartışacağım.