Tiivistelmä

Viisi asiaa, jotka tekoälyinvestoinnit tarvitsevat:

• Asiakkaan toivottavuus (ratkaiseeko tämä yritys kannattavan asiakasongelman?)
• Kaupallinen kannattavuus (ansaitseeko yritys tarpeeksi rahaa?)
• Tekninen toteutettavuus (voiko se todella toimia mittakaavassa?)
• Tekoälyyn liittyvät yleiset (ja hypeille alttiit) väärinkäsitykset
• Taloudelliset ja liiketoimintatiedot

Asiakkaan haluttu huolellisuus:

• Aluksi on kysyttävä: Mitä ongelmia yritys yrittää ratkaista tekoälytekniikalla?
• tekoälyyritys ei ole toivottavaa, kun: (a) se kohdistuu ongelmaan, josta monet ihmiset eivät välitä tai joista voi maksaa, (b) se kohdistuu kipupisteeseen, mutta liian monta ongelmaa on ratkaistava tämän kipupisteen ratkaisemiseksi ja (c) se yrittää ratkaista liian monta ongelmaa samanaikaisesti.
• Hankala kysymys liittyy siihen, milloin yritys yrittää ratkaista tehtäväkriittisen ongelman, mikä tarkoittaa, että ongelman ratkaisulla on hyvin alhainen virheiden suvaitsevaisuus. Tehtäväkriittisten projektien, kuten itse ajavien autojen tai lääketieteellisten sovellusten, mahdolliset riskit ja tuotot ovat molemmat suurempia kuin ei-kriittiset, joten se on vaikeampaa käsitellä.

Kaupallisen kannattavuuden huolellisuus:

• Kypsillä yrityksillä, jotka käyttävät rahaa tekoälysovelluksen kehittämiseen, pitäisi olla vankka liiketoimintatapa, jolla voidaan perustella ennakkoinvestointi.
• Tekoälyn käynnistettäessä, varsinkin jos se on ennen tuloja, tärkeä kysymys on, onko kohdemarkkinoilla on tarpeeksi iso.
• Toinen huomioitava näkökohta on sijoitushorisontti, koska syvemmän tekoälyn kehittäminen vie kauemmin.

Teknisen toteutettavuuden huolellisuus:

• Koneoppimisalgoritmin kehittäminen edellyttää pääsyä puhtaisiin ja hyvin merkittyihin tietoihin. Siksi on tiedettävä, onko heillä pääsy käyttökelpoisiin tietoihin, miten he ovat hankkineet ne ja voivatko he edelleen hankkia tällaisia ​​tietoja.
• Tekoälyn liiketoiminnan on kehitettävä vankat, skaalautuvat algoritmit. Tämän saavuttamiseksi on kolme pakollista: yllä mainittu suuri määrä hyvin merkittyjä tietoja, oikea kyky ja luottamus siihen, että koneoppiminen on sopiva tekniikka ongelman ratkaisemiseksi.
• Tekoälyn yrityksillä on oltava kyky hankkia laaja laskentateho. Siksi on kaksi avainkysymystä: 1) Kuinka paljon laskentatehoa vaaditaan tyypillisesti tälle yritykselle? Onko tällaista laskentatehoa saatavilla tänään? 2) Onko yrityksellä varaa tällaiseen laskentatehoon?

Tekoälyyn liittyvät yleiset (ja hypeille alttiit) väärinkäsitykset:

• Jotkut yritykset ovat todella kehittämässä vain uusia digitaalisia yrityksiä tai sääntöihin perustuvia ei-koneoppimisalgoritmeja, mutta väittävät olevansa tekoäly, koska tekoälyn liiketoiminta saa huomiota ja parempaa arvostusta. Asianmukaisen huolellisuuden aikana on kysyttävä yksityiskohtia käytetyistä taustalla olevista tekniikoista, ja jos yritys ei ole palkannut koko joukkoa tiedetieteilijöitä ja tekoälyinsinöörejä, pitäisi olla epäilyttävä.
• Joskus koneoppiminen sekoitettuna vanhanaikaiseen ihmisen toimintaan voi toimia paremmin kuin vain tekoäly.
• Tieteellisen tekoälyn prototyyppien ja kaupallisesti skaalautuvien ratkaisujen välillä on suuri ero. Tyypillisesti yksi lahjakas tiedetieteilijä voi kehittää tieteellisen prototyypin nopean prototyyppisovelluksen avulla muutamassa kuukaudessa. Kaupallisesti skaalautuva prototyyppi vaatii sen sijaan merkittävää rahoitusta, pääsyn suuriin tietomääriin, edistyneitä ja skaalautuvia algoritmeja ja vahvojen kykyjen saatavuuden.

Jonkin sisällä edellinen viesti , Kävin läpi perustason tekoälyn kentän sijoittajille, jotka ovat mielenkiintoisia sijoittamaan rahaa avaruuteen. Keskustelin erityisesti muutamista olennaisista seikoista, jotka jokaisen sijoittajan tulisi tietää tietoisempien sijoituspäätösten tekemiseksi:

• Mikä on tekoäly?
• Mikä on erityistä nykyisessä tekoälyaallossa?
• Mitkä ovat onnistuneen tekoälysovelluksen neljä kriittistä komponenttia?

Kuten keskusteltiin, maailma on nähnyt kiinnostuksen aihetta räjähtävän. Ja ei ole yllättävää, että sijoitusdollarit ovat kulkeneet samanlaista polkua. Mukaan CB-oivalluksia , tarjoukset ja dollarit tekoälyn aloittaville yrityksille ovat nousseet vuodesta 2012 lähtien, kun sijoitettu pääoma hyppäsi valtavasti 60% 5 miljardiin dollariin vuonna 2016. Statista arvioi, että vuonna 2017 globaalit tekoälyn startupit saivat 15,2 miljardia dollaria investointeja, mikä on räjähdysmäisesti 300% enemmän kuin vuonna 2016. Lisäksi suuret teknologiayritykset tarttuvat tekoälyn startup-yrityksiin päästäkseen eteenpäin tekoälykilpailussa.

Tämän seurantaviestin on tarkoitus olla käytännöllisempi opas sijoittajille, jotka ovat arvioida sijoitusnäkymiä avaruudessa. Käyn läpi erityisesti viisi kriittistä vaihetta tekoälyyn liittyvän investoinnin arvioimiseksi:

1. Asiakkaan toivottavuus (ratkaiseeko tämä yritys kannattavan asiakasongelman?)
2. Kaupallinen kannattavuus (ansaitseeko yritys tarpeeksi rahaa?)
3. Tekninen toteutettavuus (voiko se todella toimia mittakaavassa?)
4. Tekoälyyn liittyvät yleiset (ja hypeille alttiit) väärinkäsitykset
5. Taloudelliset ja liiketoimintatiedot

Huomaa: Käytän esimerkkejä tunnetuista julkisesti noteeratuista yrityksistä. En tue tai kannusta lukijoita investoimaan näihin yrityksiin.

Vaihe 1: Asiakkaan toivottavuus

Minun mielestäni, tämä vaihe on tärkein viidestä tässä artikkelissa esitetystä. Aluksi sinun on kysyttävä itseltäsi - Mitä ongelmia yritys yrittää ratkaista tekoälytekniikalla? Esimerkiksi itse ajavat autot voivat parantaa liikkumiskokemusta tekemällä siitä turvallisemman, mukavamman jne. Konekäännöksen avulla ihmisten on helpompaa kommunikoida keskenään. Sitä vastoin tekoälyyritys ei ole toivottavaa, kun:

• Se kohdistuu ongelmaan, josta monet ihmiset eivät välitä tai voivat maksaa.
• Se kohdistuu kipupisteeseen, mutta liian monta ongelmaa on ratkaistava tämän kipupisteen ratkaisemiseksi.
• Se yrittää ratkaista liian monta ongelmaa samanaikaisesti.

Toinen hankala asia liittyy siihen, milloin yritys yrittää ratkaista ongelman tehtäväkriittinen ongelma . Tällä tarkoitan sitä _ ongelman ratkaisulla on erittäin alhainen virhetoleranssi . Esimerkiksi, jos autonomisen ajoneuvon tekoälyohjelmiston virhe on 0,001%, vaikka se on objektiivisesti jo erittäin alhainen virhetaso, sitä ei silti voida sietää. 0,001% tarkoittaa, että sillä voi olla yksi onnettomuus joka 1000 käyttämänsä tunti ja se voi aiheuttaa ihmishenkien menetyksiä. Päinvastoin, jos saat väärän Amazon- tai Netflix-suosituksen jopa 1% ajasta, kukaan ei kuole. Tehtäväkriittisten projektien, kuten itse ajavien autojen tai lääketieteellisten sovellusten (esim. Lääketieteellinen diagnoosi, kirurgiset robotit) mahdolliset riskit ja tuotot ovat molemmat suurempia kuin tehtäväkriittiset, joten se on vaikeampaa käsitellä.

Vaihe 2: Kaupallinen kannattavuus

Aikuisille yrityksille, jotka käyttävät rahaa tekoälysovelluksen kehittämiseen, heillä tulisi olla vankka yritystapaus perustelemaan ennakkoinvestoinnit. Esimerkiksi IBM: n toimitusjohtaja Virginia Rometty haluaa IBM Watsonin tuottavan 10 miljardin dollarin vuosituotto ennen vuotta 2024. AI-käynnistyksen yhteydessä, varsinkin jos se on ennakkotuloja, tärkeä kysymys, jonka aina kysyn, on: ovatko markkinat riittävän suuret minkä tyyppisiin ongelmiin yritys ratkaisee? Esimerkiksi, jos yritys kehittää tekoälysovellusta hyvin tietylle maalle tietyllä toimialalla, jonka suurin markkinapotentiaali on miljoona dollaria vuodessa, investoisitko sinä siihen?

Toinen näkökohta, joka sinun on otettava huomioon, on sijoitushorisontti . Tuotteen kehittäminen kestää syvempää tekoälytekniikkaa. Esimerkiksi Waymo (Googlen itsenäinen ajoneuvoajoneuvoyritys) on testannut tätä tekniikkaa vuodesta 2009 eikä ole vieläkään julkaissut kaupallista tuotetta. Syvemmällä tekoälyteknologiayrityksillä voi myös kestää kauan saada markkinoiden tunnustusta ja myöhempää sijoitustuottoa. Otetaan esimerkiksi Nvidia (NASDAQ: NVDA). Nvidia toimittaa suosituimmat sirut, GPU: t, hermoverkkoalgoritmien laskemiseen, joita käytetään monissa tietokonenäkösovelluksissa, mukaan lukien itse ajavat autot. Tarkasteltaessa alla olevaa osakekurssikaaviota voidaan selvästi huomata kuuluisa 'S-käyrä' -malli, jonka näet monissa innovatiivisissa yrityksissä. Mutta ajoitus on merkittävä: jos investoit Nvidiaan sen IPO: n jälkeen vuonna 1999, et olisi nähnyt komeaa paluuta vasta vuoden 2016 jälkeen, jolloin syvän tekoälyn oppiminen muuttui muodiksi.

Vaihe 3: Tekninen toteutettavuus

Kuten minun toinen artikkeli , Uskon, että koneoppimisen (mukaan lukien syvällisen oppimisen) menestykseen kuuluu neljä avainkomponenttia: hyvin määritellyt ja toivottavat ongelmat, puhdas ja hyvin merkitty data, vankat algoritmit ja laaja laskentateho. Kolme viimeistä määrää tekoälyliiketoiminnan teknisen toteutettavuuden. Keskustelen tässä lyhyesti, mitä nämä komponentit tarkoittavat ja miten voidaan tehdä due diligence -toimintaa sijoittajana.

Ensinnäkin koneoppimisalgoritmin kehittäminen edellyttää pääsyä puhtaisiin ja hyvin merkittyihin tietoihin. Tämä johtuu siitä, että kuten aiemmin mainittiin, nämä algoritmit rakennetaan syöttämällä erilaisiin tilastomalleihin suuri määrä tietoa, joka on hyvin merkitty tarvittavien ennustussuhteiden muodostamiseksi. Kun tutkit tekoälyliiketoimintaa, sinun on tiedettävä onko heillä pääsy käyttökelpoisiin tietoihin, miten he ovat hankkineet ne ja voivatko he edelleen hankkia tällaisia ​​tietoja . Tai jos heillä ei vielä ole tietoja, mitä heidän suunnitelmansa on kerätä tällaisia ​​tietoja? Trendi demokratisoida kuluttajatietoja ja aloitteet, kuten avoin pankkitoiminta, tarjoavat paljon mahdollisuuksia uusille tekoälysovelluksille.

Toiseksi tekoälyyrityksen on kehitettävä vankat, skaalautuvat algoritmit. Tämän saavuttamiseksi on kolme pakollista: yllä mainittu suuri määrä hyvin merkittyjä tietoja, oikea kyky ja luottamus siihen, että syvällinen oppiminen on sopiva tekniikka ongelman ratkaisemiseksi. Keskeinen kysymys on siis: Voiko yritys houkutella oikeita kykyjä? ? Tekoälyn kyvyt, etenkin datatieteilijät, insinöörit ja ohjelmoijat, jotka ovat jo kokeneet tekoälyn kanssa, tarttuvat teknisten jättiläisten, kuten Google, Facebook, Microsoft ja IBM, jättäen hyvin vähän muille yrityksille ja startup-yrityksille. Huippulahjakkuuksien houkuttelemiseksi heidän on oltava valmiita maksamaan vain mittavia palkkoja (esim. Googlen DeepMind-laboratorion työntekijät ansaitsevat keskimäärin ~ 345000 dollaria s.), he tarvitsevat myös vakuuttavan näkemyksen. Lisäksi sinun on kysyttävä, onko syvällinen oppiminen sopivin tekniikka kaupallisen ongelman ratkaisemiseksi. Esimerkiksi robo-advisor -sovellukselle yksityissijoittajien varojen kohdentamiseksi sääntöpohjaisen ohjelman kehittäminen voi olla paljon halvempaa ja helpompi toteuttaa kuin syväoppimisalgoritmi . Sitä vastoin koneoppimisalgoritmi, jolla on kyky oppia menneistä virheistä ja voitoista ja joka voi jatkaa itsensä parantamista, on parempi ehdokas hedge-rahastojen sijoitusalgoritmille. Tällä hetkellä alueet, jotka ovat saavuttaneet eniten läpimurtoja ja jotka soveltuvat parhaiten syvälle oppimisen tekniikoille, ovat luonnollinen kielenkäsittely (esim. Konekääntäminen), tietokonenäkö (esim. Kasvojentunnistus, kuljettajattomat autot) ja pelaaminen (esim. AlphaGo, evoluutioinvestointipäätös tehdä).

Kolmanneksi liiketoiminta on oltava kyky hankkia laaja laskentateho . Kuten edellisessä artikkelissani on yksityiskohtaisesti käsitelty, laskentateho joko pilvipalvelusta tai omasta GPU-palvelimesta on kallista. On kaksi keskeistä kysymystä, jotka sinun on kysyttävä huolellisuudesta: 1) Kuinka paljon laskentatehoa tarvitaan tyypillisesti tälle yritykselle? Onko tällaista laskentatehoa saatavilla tänään? Tämä on erityisen tärkeää sovelluksille, jotka vaativat reaaliaikaista käsittelyä, mutta joilla on vain rajoitetusti tilaa varsinaisessa laitteessa GPU: iden ja akkujen (esim. Dronien) sijoittamiseksi. 2) Onko yrityksellä varaa tällaiseen laskentatehoon? Esimerkiksi Kaifu Lee kertoo mielenkiintoisen tarinan kirjassaan, Tekoäly , että syväoppimiskäynnistys, johon hän investoi, käytti 7 miljoonaa RMB (~ 1 miljoona USD) kolmen ensimmäisen kuukauden aikana vain ostamaan syvällisen oppimisen laskentapalvelimia. Hän korostaa edelleen, että nykyään tyypillinen syväoppimismalliharjoittelu edellyttää yhtä tai useampaa tietokonetta, joissa on neljä tai kahdeksan suuren kapasiteetin grafiikkasuoritinta. Monet tietokonenäkötehtävät vaativat satoja ja tuhansia GPU-klustereita ja lähettävät 10 kertaa enemmän lämpöä kuin normaali palvelin. Jotkut näiden alojen käynnistysryhmät joutuivat suunnittelemaan AC-järjestelmät uudelleen tai ostamaan valtavia jääpaloja palvelimien jäähdyttämiseksi.

Vaihe 4: Tekoälyyn liittyvät yleiset (ja hypeille alttiit) väärinkäsitykset

1. Jotkut yritykset todella kehittyvät uusia digitaalisia yrityksiä (esim. pankkien prosessiautomaatio) tai sääntöpohjaiset ei-koneoppimisalgoritmit, mutta väittävät, että he ovat tekoälyä , koska tekoälyn liiketoiminta saa huomiota ja parempaa arvostusta. Huolellisessa huolellisuudessa voit yrittää selvittää nämä peitteet esittämällä heille kysymyksiä, kuten mitä taustalla olevia tekniikoita he käyttävät? Jos he eivät ole palkanneet koko joukkoa tutkijoita ja tekoälyinsinöörejä, koska he väittävät käyttävänsä tekoälyä joko tekemällä sopimuksia muille teknologiayrityksille tai yrityksen sisällä, se voi olla punainen lippu.
2. Joskus koneoppiminen + ihmisen toiminta voi toimia paremmin kuin vain tekoäly. Esimerkiksi äskettäin kiinalainen käännösteknologiayritys iFlytek rikkoi kiistaa, kun heidän oletetusti samanaikaisen konekäännöslaitteen havaittiin vain kuuntelevan ja kopioivan ihmisen simultaanikääntäjän ääntä. iFlytek selitti myöhemmin, että reaaliaikainen käännös ei ole tällä hetkellä mahdollista vaaditulla nopeudella ja tarkkuudella. Heidän mielestään ihmisen ja koneen älykkyyden yhdistelmä tuo parhaan ratkaisun tuloksiin.
3. Lopuksi, tärkein kokemukseni, joka on saatu startup-kokemuksestani (myös varoittava tarina yrittäjille ja sijoittajille) on, että tieteellisen tekoälyn prototyyppien ja kaupallisesti skaalautuvien ratkaisujen välillä on suuri ero . Tyypillisesti yksi lahjakas datatieteilijä voi kehittää tieteellisen prototyypin käyttämällä nopeaa prototyyppien muodostusohjelmaa (esim. MatLab) vain muutamassa kuukaudessa käyttämällä esimerkiksi 1 000 - 10 000 datapistettä. Kaupallisesti skaalautuva prototyyppi, kuten aiemmin keskusteltiin, vaatii: 1) varoja tekoälyasiantuntijoiden (datatieteilijät, arkkitehdit, ohjelmistoinsinöörit, tuotepäälliköt) palkkaamiseen, 2) kymmenien miljoonien datapisteiden koulutustietojoukkoihin, 3) tietokoneohjelmiin (esim. Python, C ++, jne.), 4) varat syvällisten oppimisohjelmien tai pilvipalveluratkaisujen ostamiseen Amazon AWS: stä, Google Cloudista, Microsoft Azuresta jne.

Vaihe 5: Taloudelliset ja liiketoimintatiedot

Lopuksi sinun on huolehdittava tekoälyyrityksestä ” rahoitustilastot ja sen muut kuin taloudelliset liiketoimintanäkymät, ja arvioi se, miten tekisit muita teknisiä yrityksiä. Katso esimerkkianalyysi alla olevan taulukon mukaisesti.

Perinteisiä taloudellisia ja muita mittareita liiketoiminnan arvon arvioimiseksi ovat tuotot, nettotulot / kassavirrat, tulojen kasvuvauhti, suhteet (P / E, P / S jne.), Makrotalous, kilpailijat, sääntely jne. Teknologiayrityksillä on myös omat ainutlaatuiset ominaisuutensa. Yksi esimerkki on, että kasvuvauhti voi olla tärkeämpi kuin kannattavuus. Alkuvaiheen teknisten startupien käyttäjätilastot, kuten aktiiviset käyttäjät ja varaukset, ovat tärkeämpiä kuin tulot tai kassavirrat. Arvioinnit voivat olla korkeammat tällaisten investointien kysynnän vuoksi. Esimerkiksi Nvidian (NVDA) P / E-suhde on ~ 30x P / E, kun taas McDonald's (MCD) käy kauppaa ~ 20x.

On olemassa monia sijoituskirjoja yrityksen arvostamisesta, joten en aio syventää sitä tässä liian yksityiskohtaisesti. Jos kyseessä on julkinen yritys, saat nämä tiedot julkisista arkistoista, kuten talousraporteista, tai markkinatietojen tarjoajilta, kuten Google Finance tai Bloomberg. Jos kyseessä on yksityinen yritys, voit ottaa yhteyttä yrityksen johtoon saadaksesi tarvittavat tiedot.

Johtopäätös

Yhteenvetona, mielestäni mielestäni tekoälyn sijoituksen halutuimmat ominaisuudet lyhyellä ja keskipitkällä aikavälillä (ja mikä tekee siitä hyvän tekoälyinvestoinnin) ovat: 1) ratkaistaan ​​hyvin määritelty toivottu ongelma ja 2) ei-kriittinen (kukaan ei kuole, jos se epäonnistuu). Näihin tapauksiin kuuluvat älykkään asiakaspalvelun alueet, kuten chat-robotit (ei pelkästään sääntöihin perustuva), lääketieteellinen kuvadiagnoosi, kasvojentunnistus, konekäännös, tekoälyn talousneuvojat, tietokonepelit jne. Tietenkin, pitkällä aikavälillä korkean riskin / korkean palkkion tehtäväkriittiset ongelmat (esim. kuljettamattomat autot) ovatko palkinnot monilla silmillä . Kun olet todennut, että heillä on toivottava ongelma ratkaistavaksi, voit analysoida niiden kaupallista kannattavuutta, teknistä toteutettavuutta, rahoitustilastoja ja liiketoimintatietoja.

Sinun on myös mietittävä tiettyjä tekoälyn vertikaaleja, joihin haluat sijoittaa. Eri tekoälyn vertikaaleilla on erilaiset asiakkaiden kysynnän ja teknologian valmiudet, ja siksi erilaiset sijoitetun pääoman tuotot ja riskit. Voit sijoittaa laitteisto vs. ohjelmisto vs. käyttöympäristö vs. palvelu ja eri toimialoille, kuten talous, koulutus, terveydenhuolto, teollisuus. Seuraavassa artikkelissa keskustelen siitä, kuinka voit aloittaa sijoittamisen tekoälyyn, mukaan lukien lupaavimmat vertikaalit ja tekniikat, sijoitusmuoto (passiivinen vs. aktiivinen) ja maantieteelliset alueet (Yhdysvallat vs. Kiina vs. muu maailma).

Perustietojen ymmärtäminen

Mitkä yritykset ovat tekemisissä tekoälyn kanssa?

Monet jättiläisistä teknologiayrityksistä ovat tekemisissä tekoälyn kanssa: Google (aakkoset), Microsoft, Amazon, Apple, IBM, Facebook jne. Jokainen yritys kehittää erilaisia ​​tekoälypohjaisia ​​sovelluksia. Esimerkiksi Googlen itse ajamiseen (Waymo) liittyy tietokonenäkö. IBM: n Watsonilla on erittäin vahva kielenkäsittely.

Mikä on Googlen DeepMind?

DeepMind on Alphabetin (Googlen emoyhtiö) tytäryhtiö, jonka Google osti vuonna 2014. Se oli johtava hermoverkkotekniikan käynnistysyritys, jonka perustivat vuonna 2010 Demis Hassabis, Shane Legg ja Mustafa Suleyman. DeepMind pääsi otsikoihin sen jälkeen, kun AlphaGo voitti Go-pelaajan Lee Sedolin vuonna 2016.

Mikä on tekoälyalusta?

Tekoälyalusta on laitteistoarkkitehtuuri- tai ohjelmistokehysliiketoiminta, jota muut yritykset voivat käyttää uusien tekoälysovellusten kehittämiseen. Suosituimpiin tekoälyalustoihin kuuluvat Microsoft Azure, TensorFlow, Infosys Nia jne. Näiden alustojen käyttäminen voi usein nopeuttaa kehitystä ja säästää rahaa, mikä “tekoälyn demokratisointia”.