Резюме

Пет неща, за които човек трябва да усърди инвестицията в AI:

• Желателност на клиентите (този бизнес решава ли си проблем на клиента?)
• Търговска жизнеспособност (бизнесът ще спечели ли достатъчно пари?)
• Техническа осъществимост (може ли всъщност да работи в мащаб?)
• Чести (и склонни към свръх) недоразумения, свързани с AI
• Финансови и бизнес показатели

Старание на клиентите за желание:

• Като начало трябва да попитате: Какъв проблем се справя бизнесът с технологията на ИИ?
• бизнес с изкуствен интелект не е желателен, когато: (а) той е насочен към проблем, за който не много хора се интересуват или могат да платят, (б) той е насочен към точка на болка, но трябва да бъдат решени твърде много проблеми, за да се реши тази точка на болка , и (в) се опитва да реши твърде много проблеми едновременно.
• Труден въпрос е свързан с това, когато бизнес се опитва да реши критичен проблем, което означава, че решението на проблема има много ниска толерантност към грешки. Потенциалните рискове и възвръщаемост за критично важни проекти, като самоуправляващи се автомобили или медицински приложения, са по-големи от тези, които не са от критично значение, което го прави по-труден проблем.

Старание за търговска жизнеспособност:

• Зрелите фирми, които харчат пари за разработване на приложение за изкуствен интелект, трябва да имат солиден бизнес аргумент, който да оправдае предварителната инвестиция.
• За стартиране на AI, особено ако това е преди приходите, важен въпрос е дали целеви адресируем пазар е достатъчно голям.
• Друг аспект, който трябва да се има предвид, е инвестиционният хоризонт, тъй като по-дълбоките технологии за изкуствен интелект се развиват по-дълго.

Старание за техническа осъществимост:

• Разработването на алгоритъм за машинно обучение изисква достъп до чисти и добре обозначени данни. Следователно човек трябва да знае дали имат достъп до използваеми данни, как са ги получили и дали могат да продължат да получават такива данни.
• Бизнесът с изкуствен интелект трябва да разработи стабилни, мащабируеми алгоритми. За да се постигне това, има три задължителни неща: голямото количество добре маркирани данни, обсъдени по-горе, подходящият талант и увереността, че машинното обучение е подходящата технология за решаване на проблема.
• Бизнесът с изкуствен интелект трябва да има способността да придобива обширна изчислителна мощ. Следователно има два ключови въпроса: 1) Колко изчислителна мощност е типична задача, необходима за този бизнес? Налична ли е такава изчислителна мощ днес? 2) Може ли бизнесът да си позволи такава изчислителна мощ?

Често срещани (и склонни към свръх) недоразумения, свързани с AI:

• Някои компании всъщност просто разработват нов дигитален бизнес или алгоритми за не-машинно обучение, основани на правила, но твърдят, че са AI, поради вниманието и по-доброто оценяване на AI бизнеса. По време на надлежното усърдие човек трябва да попита за подробности относно основните технологии, които се използват и ако компанията не е наела цял екип от специалисти по данни и инженери по изкуствен интелект, трябва да бъде съмнителен.
• Понякога машинното обучение, смесено със старомодна човешка намеса, може да работи по-добре, отколкото просто AI.
• Има голяма разлика между научните прототипи на ИИ и мащабируемите в търговската мрежа решения. Обикновено научен прототип може да бъде разработен от един талантлив учен по данни, използвайки софтуер за бързо прототипиране само за няколко месеца. Вместо това мащабируем с търговска цел прототип изисква значително финансиране, достъп до големи количества данни, усъвършенствани и мащабируеми алгоритми и достъп до силни таланти.

В предишен пост , Преминах през основен буквар в областта на ИИ за инвеститорите, които се интересуват от влагането на пари в космоса. По-специално обсъдих няколко основни елемента, които всеки инвеститор трябва да знае, за да вземе по-информирани инвестиционни решения:

• Какво е AI?
• Какво е особеното в текущата вълна на ИИ?
• Кои са четирите критични компонента на едно успешно приложение за ИИ?

Както беше обсъдено, светът стана свидетел на взрив на интерес към темата. И не е изненадващо, че инвестиционните долари са последвали подобен път. Според CB Insights , сделките и доларите за AI стартиращи компании се покачват от 2012 г. насам, с огромен скок от 60% в инвестирания капитал до 5 млрд. долара през 2016 г. Statista изчислява се, че през 2017 г. глобалните стартиращи компании с изкуствен интелект са получили инвестиции в размер на 15,2 милиарда долара, което е експоненциално увеличение с 300% спрямо 2016 г. Освен това големите технологични компании грабват стартиращи компании с изкуствен интелект, за да продължат напред в състезанието по изкуствен интелект.

Тази последваща публикация е предназначена да бъде по-практично ръководство за инвеститорите, които са оценка на инвестиционните перспективи в пространството. По-специално, ще премина през петте важни стъпки за оценка на инвестиция, свързана с ИИ:

1. Желателност на клиентите (този бизнес решава ли си проблем на клиента?)
2. Търговска жизнеспособност (бизнесът ще спечели ли достатъчно пари?)
3. Техническа осъществимост (може ли всъщност да работи в мащаб?)
4. Чести (и склонни към свръх) недоразумения, свързани с AI
5. Финансови и бизнес показатели

Моля, обърнете внимание: Ще използвам примерите на някои известни публично търгувани компании. Не подкрепям или обезсърчавам читателите да инвестират в тези компании.

как да направите сървър с raspberry pi

Стъпка 1: Желателност на клиента

По мое мнение, тази стъпка е най-важната от петте, посочени в тази статия. Като начало трябва да се запитате - Какъв (и) проблем (и) бизнесът се опитва да реши с помощта на AI технологията? Например, самоуправляващите се автомобили могат да подобрят изживяването на мобилността, като го направят по-безопасно, по-удобно и т.н. Машинният превод улеснява хората при комуникацията помежду си. За разлика от това бизнесът с изкуствен интелект не е желателен, когато:

• Той е насочен към проблем, за който не много хора се интересуват или могат да платят.
• Той е насочен към болезнена точка, но твърде много проблеми трябва да бъдат решени, за да се реши тази болна точка.
• Опитва се да реши твърде много проблеми едновременно.

Друг труден въпрос е свързан с това, когато бизнес се опитва да реши a критичен за мисията проблем . С това имам предвид това _ решението на проблема има много нисък толеранс за грешка_ . Например, ако грешката на софтуера за изкуствен интелект на автономно превозно средство е 0,001%, дори ако това обективно вече е много нисък процент на грешки, все още не е допустимо. 0,001% означава, че може да претърпи 1 инцидент на всеки 1000 часа шофиране и потенциално да причини загуби на животи. Напротив, ако получите грешна препоръка за Amazon или Netflix дори само в 1% от случаите, никой няма да умре. Потенциалните рискове и възвръщаемост за критично важни проекти, като самоуправляващи се автомобили или медицински приложения (напр. Медицинска диагностика, хирургически роботи), са по-големи от тези, които не са критични, което прави по-труден проблем за справяне.

Стъпка 2: Търговска жизнеспособност

За зрели фирми, които харчат пари за разработване на приложение за AI, те трябва да имат солиден бизнес казус за да оправдае предварителната инвестиция. Например главният изпълнителен директор на IBM Вирджиния Ромети иска IBM Watson да генерира 10 милиарда долара годишни приходи преди 2024 г. За стартиране на AI, особено ако е преди приходите, важен въпрос, който винаги задавам, е: достатъчно голям ли е пазарът за типа проблеми, които компанията решава? Например, ако компанията разработва приложение за изкуствен интелект за много конкретна държава в конкретна индустрия с максимален пазарен потенциал от 1 милион долара годишно, бихте ли инвестирали в него?

Друг аспект, който трябва да имате предвид, е инвестиционен хоризонт . По-дълбоките технологии за изкуствен интелект отнемат повече време за разработване на продукта. Например Waymo (компанията за автономно шофиране на Google) тества тази технология от 2009 г. и все още не е пуснала търговски продукт. По-дълбоките AI технологични компании също могат да отнемат много време, за да получат признание на пазара и последваща възвръщаемост на инвестициите. Вземете Nvidia (NASDAQ: NVDA) като пример. Nvidia доставя най-популярните чипове, графични процесори, за изчисляване на алгоритмите на невронната мрежа, използвани в много приложения за компютърно зрение, включително самоуправляващи се автомобили. Разглеждайки графиката на цените на акциите по-долу, можете ясно да забележите известния модел „крива S“, който виждате в много иновативни предприятия. Но моментът е важен: ако сте инвестирали в Nvidia от IPO през 1999 г., нямаше да видите красивото завръщане чак след 2016 г., когато AI за дълбоко обучение стана „на мода“.

Стъпка 3: Техническа осъществимост

Както е обсъдено в моя друга статия , Вярвам, че има четири ключови компонента за успеха на продукта за машинно обучение (включително задълбочено обучение): добре дефинирани и желани проблеми, изчистени и добре обозначени данни, стабилни алгоритми и обширна изчислителна мощ. Последните три определят техническата осъществимост на бизнеса с ИИ. Тук ще обсъдя накратко какво означават тези компоненти и как човек може да проведе надлежна проверка като инвеститор.

Първо, разработването на алгоритъм за машинно обучение изисква достъп до чисти и добре обозначени данни. Това е така, тъй като, както споменахме по-горе, тези алгоритми са изградени чрез подаване на различни статистически модели на голямо количество данни, които са добре обозначени, за да установят необходимите връзки за предсказване. Докато изследвате бизнеса с изкуствен интелект, трябва да знаете имат ли достъп до използваеми данни, как са ги получили и дали могат да продължат да получават такива данни . Или, ако те все още нямат данните, какъв е планът им да събират такива данни? Тенденцията на демократизиране на потребителските данни и инициативи като отворено банкиране ще предостави много възможности за нови приложения за ИИ.

Второ, бизнесът с изкуствен интелект трябва да разработи стабилни, мащабируеми алгоритми. За да постигнете това, има три задължителни неща: голямото количество добре маркирани данни, обсъдени по-горе, подходящият талант и увереността, че дълбокото обучение е подходящата технология за решаване на проблема. Ето защо ключов въпрос е: може ли бизнесът да привлече точния талант ? Най-добрите таланти за изкуствен интелект, особено изследователи на данни и инженери и програмисти, които вече имат опит с изкуствения интелект, се грабят от технологични гиганти като Google, Facebook, Microsoft и IBM, оставяйки много малко за други корпорации и стартиращи компании. За да привлекат най-добрите таланти, не само трябва да бъдат подготвени да плащат солидни заплати (напр. Служителите на лабораторията на DeepMind на Google печелят средно ~ 345 000 щатски долара п.а.), те също се нуждаят от убедителна визия. Освен това трябва да попитате дали дълбокото обучение е най-подходящата технология за решаване на търговския проблем. Например, за приложение робо-съветник за разпределение на активи на дребни инвеститори, програма, базирана на правила, може да бъде много по-евтина за разработване и по-лесна за изпълнение от алгоритъм за задълбочено обучение . За разлика от това, алгоритъм за машинно обучение с възможност за учене от минали грешки и победи и който може да продължи да се подобрява, е по-добър кандидат за алгоритъм за инвестиране на хедж фонд. Понастоящем областите, които са постигнали най-много пробиви и които са най-подходящи за технологии за дълбоко обучение, са обработката на естествен език (напр. Машинен превод), компютърно зрение (например разпознаване на лица, автомобили без шофьор) и игра на игри (напр. AlphaGo, еволюционно инвестиционно решение правене).

Трето, бизнесът трябва да има способността да придобива обширна изчислителна мощ . Както е обсъдено подробно в предишната ми статия, изчислителната мощност от изчисления в облак или от собствени GPU сървъри е скъпа. Има два ключови въпроса, които трябва да зададете за усърдие в този аспект: 1) Колко изчислителна мощност е типична задача, необходима за този бизнес? Налична ли е такава изчислителна мощ днес? Това е особено важно за приложения, които изискват обработка в реално време, но имат само ограничено налично пространство на действителното устройство за побиране на графични процесори и батерии (напр. Дронове). 2) Може ли бизнесът да си позволи такава изчислителна мощ? Например, Кайфу Ли разказва интересна история в книгата си, Изкуствен интелект , че стартиране на дълбоко обучение, в което той е инвестирал, е похарчило 7 милиона RMB (~ 1 милион щатски долара) през първите 3 месеца само за закупуване на изчислителни сървъри за дълбоко обучение. Освен това той подчертава, че днес една типична задача за обучение на модел за дълбоко обучение изисква един или няколко компютъра, които имат четири до осем графични процесора с голям капацитет. Много задачи за компютърно зрение изискват стотици и хиляди GPU клъстери и отделят 10 пъти повече топлина от нормалния сървър. Някои от стартиращите екипи в тези области трябваше да препроектират системи за променлив ток или да купят огромни парчета лед, за да охладят сървърите.

Стъпка 4: Чести (и склонни към свръх) недоразумения, свързани с AI

1. Някои компании наистина се развиват нов дигитален бизнес (напр. автоматизация на процесите за банките) или алгоритми за машинно обучение, основани на правила, но твърдят, че са AI , поради вниманието и по-доброто оценяване, което AI бизнесът получава. При надлежното усърдие можете да се опитате да откриете тези маскировки, като им зададете въпроси като какви основни технологии използват? Ако те не са наели цял екип от учени по данни и инженери по изкуствен интелект, тъй като твърдят, че използват „AI“, независимо дали чрез сключване на договори с други технологични компании или вътрешнофирмени, това може да е червен флаг.
2. Понякога машинното обучение + човешката намеса могат да работят по-добре от просто AI. Например, наскоро китайската компания за преводачески технологии, iFlytek, предизвика противоречие, когато бе открито, че тяхното устройство за симултанен машинен превод просто слуша и копира гласа на човешки синхронен преводач. По-късно iFlytek обясни, че понастоящем преводът в реално време не е възможен при необходимата скорост и точност. Те смятат, че комбинацията от човешки и машинен интелект носи най-доброто решение за резултати.
3. И накрая, основният ми урок, извлечен от моя стартиращ опит (също така и предупреждение за начинаещи предприемачи и инвеститори), е това има голяма разлика между научните прототипи на ИИ и мащабируемите в търговската мрежа решения . Обикновено научен прототип може да бъде разработен от един талантлив учен за данни с помощта на софтуер за бързо прототипиране (напр. MatLab), само за няколко месеца, като се използват, например, от 1000 до 10 000 точки с данни. Търговски мащабируем прототип, както беше обсъдено по-рано, изисква: 1) средства за наемане на специалисти по изкуствен интелект (учени по данни, архитекти, софтуерни инженери, продуктови мениджъри), 2) обучаващи набори от данни с десетки милиони точки от данни, 3) компютърна програма (напр. Python, C ++ и др.), 4) средства за закупуване на компютърни сървъри с дълбоко обучение или решения за изчислителни облаци на Amazon AWS, Google Cloud, Microsoft Azure и др.

Стъпка 5: Финансови и бизнес показатели

И накрая, трябва да усърдите бизнеса с ИИ финансова статистика и нейните нефинансови бизнес перспективи и я оценете като това, което бихте направили за други технологични компании. Вижте примерния анализ, както е илюстриран в таблицата по-долу.

Традиционните финансови и нефинансови показатели за оценка на бизнеса включват приходи, нетен доход / парични потоци, темп на растеж на приходите, съотношения (P / E, P / S и др.), Макроикономика, конкуренти, регулация и др. Техническите компании също имат техните собствени уникални характеристики. Един пример е, че темпът на растеж може да бъде по-важен от рентабилността. За технологичните стартиращи компании на ранен етап статистиката на потребителите като активни потребители и резервации е по-важна от приходите или паричните потоци. Оценките могат да бъдат по-високи поради търсенето на такива инвестиции. Например съотношението P / E за Nvidia (NVDA) е ~ 30x P / E, докато McDonald’s (MCD) се търгува при ~ 20x.

Има много инвестиционни книги за това как да оценим компанията, така че няма да навлизам в това твърде подробно тук. Ако е публична компания, можете да получите тези подробности от публични заявки като финансови отчети или от доставчици на пазарни данни като Google Finance или Bloomberg. Ако е частна компания, можете да се свържете с ръководството на компанията, за да получите необходимите подробности.

Заключение

В обобщение, според мен, мисля най-желаните атрибути за AI инвестиция в краткосрочен и средносрочен план (и следователно това, което прави добра инвестиция в AI), са: 1) решаване на добре дефиниран желан проблем и 2) некритично критичен (никой няма да умре, ако не успее). Тези случаи включват областите на интелигентно обслужване на клиенти, като чат ботове (не само базирани на правила), медицинска диагностика на изображения, разпознаване на лица, машинен превод, финансови съветници на AI, компютърни игри и др. Разбира се, в дългосрочен план, критичните проблеми с висок риск / висока награда (напр. автомобили без шофьор) са наградите, на които много хора гледат . След като установите, че имат желан проблем за решаване, можете да анализирате тяхната търговска жизнеспособност, техническа осъществимост, финансова статистика и бизнес показатели.

Също така трябва да помислите за конкретните вертикали на ИИ, в които искате да инвестирате. Различните вертикали на ИИ имат различна спешност на търсенето на клиентите и технологичната готовност и следователно различна възвръщаемост на инвестициите и рискове. Можете да инвестирате в хардуер срещу софтуер срещу платформа срещу услуга и в различни индустрии като финанси, образование, здравеопазване, индустриалци. В следваща статия ще обсъдя как можете да започнете да инвестирате в AI, включително най-обещаващите вертикали и технологии, инвестиционен стил (пасивен срещу активен) и географии (САЩ срещу Китай срещу останалия свят).

Разбиране на основите

Какви компании участват в AI?

Много от гигантските технологични компании участват в AI: Google (азбука), Microsoft, Amazon, Apple, IBM, Facebook и др. Всяка фирма разработва различни приложения, базирани на AI. Например самоуправлението на Google (Waymo) включва компютърно зрение. Уотсън на IBM е много силен в обработката на естествен език.

Какво представлява DeepMind на Google?

DeepMind е дъщерно дружество на Alphabet (компанията-майка на Google), придобито от Google през 2014 г. Това беше водещ стартъп за технология на невронни мрежи, основан през 2010 г. от Демис Хасабис, Шейн Лег и Мустафа Сюлейман. DeepMind попадна в заглавията, след като програмата си AlphaGo победи играча на Go Lee Sedol през 2016 г.

Какво е AI платформа?

AI платформата е хардуерна архитектура или софтуерна рамка, която други фирми могат да използват за разработване на нови приложения за AI. Най-добрите платформи за AI включват Microsoft Azure, TensorFlow, Infosys Nia и др. Използването на тези платформи често може да ускори разработката и да спести пари, следователно „демократизирайки AI“.