Περίληψη των κυριότερων σημείων

Πέντε πράγματα που πρέπει κανείς να επιμελήσει μια επένδυση τεχνητής νοημοσύνης:

• Επιθυμία πελάτη (αυτή η επιχείρηση λύνει ένα σημαντικό πρόβλημα πελάτη;)
• Εμπορική βιωσιμότητα (θα κάνει η επιχείρηση αρκετά χρήματα;)
• Τεχνική σκοπιμότητα (μπορεί πραγματικά να λειτουργήσει, σε κλίμακα;)
• Συχνές (και επιρρεπείς) παρεξηγήσεις που σχετίζονται με την AI
• Οικονομικές και επιχειρηματικές μετρήσεις

Επιμέλεια επιθυμίας πελατών:

• Αρχικά, πρέπει να ρωτήσουμε: Ποια προβλήματα προσπαθεί να λύσει η επιχείρηση με την τεχνολογία AI;
• μια επιχείρηση τεχνητής νοημοσύνης δεν είναι επιθυμητή, όταν: (α) στοχεύει ένα πρόβλημα που δεν ενδιαφέρονται πολλοί άνθρωποι ή μπορούν να πληρώσουν, (β) στοχεύει σε ένα σημείο πόνου, αλλά πρέπει να λυθούν πάρα πολλά προβλήματα για να αντιμετωπιστεί αυτό το σημείο πόνου , και (γ) προσπαθεί να λύσει πάρα πολλά προβλήματα ταυτόχρονα.
• Ένα δύσκολο ζήτημα σχετίζεται με το πότε μια επιχείρηση προσπαθεί να λύσει ένα κρίσιμο πρόβλημα αποστολής που σημαίνει ότι η λύση του προβλήματος έχει πολύ χαμηλή ανοχή για λάθη. Οι πιθανοί κίνδυνοι και αποδόσεις για κρίσιμα έργα, όπως αυτοκινούμενα αυτοκίνητα ή ιατρικές εφαρμογές, είναι και τα δύο μεγαλύτερα από αυτά που δεν είναι κρίσιμα, καθιστώντας ένα πιο δύσκολο ζήτημα.

Εμπορική επιμέλεια βιωσιμότητας:

• Οι ώριμες επιχειρήσεις που ξοδεύουν χρήματα για να αναπτύξουν μια εφαρμογή AI θα πρέπει να έχουν μια ισχυρή επιχειρηματική υπόθεση για να δικαιολογήσουν την αρχική επένδυση.
• Για μια εκκίνηση AI, ειδικά αν είναι προ-έσοδα, ένα σημαντικό ερώτημα είναι αν το απευθύνεται στην αγορά είναι αρκετά μεγάλο.
• Μια άλλη πτυχή που πρέπει να ληφθεί υπόψη είναι ο επενδυτικός ορίζοντας δεδομένου ότι η βαθύτερη τεχνολογία AI απαιτεί περισσότερο χρόνο για να αναπτυχθεί.

Τεχνική επιμέλεια σκοπιμότητας:

• Η ανάπτυξη ενός αλγορίθμου μηχανικής μάθησης απαιτεί πρόσβαση σε καθαρά και καλά επισημασμένα δεδομένα. Πρέπει λοιπόν να γνωρίζουμε αν έχουν πρόσβαση σε χρησιμοποιήσιμα δεδομένα, πώς τα έλαβαν και αν μπορούν να συνεχίσουν να λαμβάνουν τέτοια δεδομένα.
• Μια επιχείρηση AI πρέπει να αναπτύξει ισχυρούς, επεκτάσιμους αλγόριθμους. Για να επιτευχθεί αυτό, υπάρχουν τρία απαραίτητα στοιχεία: ο μεγάλος όγκος των καλά επισημασμένων δεδομένων που συζητήθηκαν παραπάνω, το σωστό ταλέντο και η εμπιστοσύνη ότι η μηχανική μάθηση είναι η κατάλληλη τεχνολογία για την επίλυση του προβλήματος.
• Οι επιχειρήσεις AI πρέπει να έχουν τη δυνατότητα να αποκτήσουν εκτεταμένη υπολογιστική ισχύ. Υπάρχουν επομένως δύο βασικά ερωτήματα: 1) Πόση υπολογιστική ισχύ απαιτείται μια τυπική εργασία για αυτήν την επιχείρηση; Διατίθεται τέτοια υπολογιστική ισχύς σήμερα; 2) Μπορεί η επιχείρηση να αποκτήσει τέτοια υπολογιστική δύναμη;

Συχνές (και επιρρεπείς) παρεξηγήσεις που σχετίζονται με την τεχνητή νοημοσύνη:

• Ορισμένες εταιρείες αναπτύσσουν πραγματικά νέες ψηφιακές επιχειρήσεις ή αλγόριθμους μη μηχανικής μάθησης βάσει κανόνων, αλλά ισχυρίζονται ότι είναι AI, λόγω της προσοχής και της καλύτερης αποτίμησης που λαμβάνει η επιχείρηση AI. Κατά τη διάρκεια της δέουσας επιμέλειας θα πρέπει να ζητήσετε λεπτομέρειες σχετικά με τις βασικές τεχνολογίες που χρησιμοποιούνται και εάν η εταιρεία δεν έχει προσλάβει μια ολόκληρη ομάδα επιστημόνων δεδομένων και μηχανικών τεχνητής νοημοσύνης, θα πρέπει να είναι αμφίβολη.
• Μερικές φορές η μηχανική μάθηση αναμεμειγμένη με την παλιομοδίτικη ανθρώπινη παρέμβαση μπορεί να λειτουργήσει καλύτερα από απλώς το AI.
• Υπάρχει μια μεγάλη διαφορά μεταξύ επιστημονικών πρωτοτύπων AI και εμπορικά επεκτάσιμων λύσεων. Συνήθως ένα επιστημονικό πρωτότυπο μπορεί να αναπτυχθεί από έναν ταλαντούχο επιστήμονα δεδομένων χρησιμοποιώντας ένα γρήγορο πρωτότυπο λογισμικό σε λίγους μήνες. Ένα εμπορικά επεκτάσιμο πρωτότυπο αντ 'αυτού απαιτεί σημαντική χρηματοδότηση, πρόσβαση σε μεγάλες ποσότητες δεδομένων, προηγμένους και επεκτάσιμους αλγόριθμους και πρόσβαση σε ισχυρά ταλέντα.

Σε ένα προηγούμενη ανάρτηση , Πέρασα από ένα βασικό αστάρι στον τομέα της τεχνητής νοημοσύνης για επενδυτές που ενδιαφέρονται να βάλουν χρήματα στο χώρο. Συγκεκριμένα, συζήτησα μερικά βασικά στοιχεία που κάθε επενδυτής πρέπει να γνωρίζει προκειμένου να λάβει πιο ενημερωμένες επενδυτικές αποφάσεις:

• Τι είναι το AI;
• Τι είναι ιδιαίτερο για το τρέχον κύμα AI;
• Ποια είναι τα τέσσερα κρίσιμα στοιχεία μιας επιτυχημένης εφαρμογής AI;

Όπως συζητήθηκε, ο κόσμος έχει δει μια έκρηξη ενδιαφέροντος για το θέμα. Και αναπάντεχα, τα επενδυτικά δολάρια ακολούθησαν παρόμοια πορεία. Σύμφωνα με CB Insights , οι προσφορές και τα δολάρια σε νεοσύστατες εταιρείες AI αυξάνονται από το 2012, με ένα τεράστιο άλμα 60% σε επενδυμένο κεφάλαιο σε 5 δισεκατομμύρια δολάρια το 2016. Στατιστα υπολόγισε ότι το 2017, οι παγκόσμιες νεοσύστατες εταιρείες AI έλαβαν επενδύσεις 15,2 δισεκατομμυρίων δολαρίων, μια εκθετική αύξηση 300% από το 2016. Επιπλέον, οι μεγάλες εταιρείες τεχνολογίας αναλαμβάνουν εκκινήσεις AI για να προχωρήσουν στον αγώνα AI.

Αυτή η ανάρτηση παρακολούθησης προορίζεται να αποτελέσει έναν πιο πρακτικό οδηγό για τους επενδυτές που είναι αξιολόγηση των επενδυτικών προοπτικών στο διάστημα. Συγκεκριμένα, θα ακολουθήσω τα πέντε κρίσιμα βήματα για να αξιολογήσω μια επένδυση που σχετίζεται με την τεχνητή νοημοσύνη:

1. Επιθυμία πελάτη (αυτή η επιχείρηση λύνει ένα σημαντικό πρόβλημα πελάτη;)
2. Εμπορική βιωσιμότητα (θα κάνει η επιχείρηση αρκετά χρήματα;)
3. Τεχνική σκοπιμότητα (μπορεί πραγματικά να λειτουργήσει, σε κλίμακα;)
4. Συχνές (και επιρρεπείς) παρεξηγήσεις που σχετίζονται με την AI
5. Οικονομικές και επιχειρηματικές μετρήσεις

Παρακαλώ σημειώστε: Θα χρησιμοποιήσω τα παραδείγματα ορισμένων γνωστών εισηγμένων εταιρειών. Δεν υποστηρίζω ούτε αποθαρρύνω τους αναγνώστες να επενδύσουν σε αυτές τις εταιρείες.

Οδηγός σχεδίασης διεπαφής χρήστη ios

Βήμα 1: Επιθυμία πελατών

Κατά τη γνώμη μου, αυτό το βήμα είναι το πιο σημαντικό από τα πέντε που περιγράφονται σε αυτό το άρθρο. Αρχικά, πρέπει να αναρωτηθείτε - Ποια προβλήματα προσπαθεί να λύσει η επιχείρηση με την τεχνολογία AI; Για παράδειγμα, τα αυτοκινούμενα αυτοκίνητα μπορούν να βελτιώσουν την εμπειρία κινητικότητας καθιστώντας το πιο ασφαλές, πιο βολικό κ.λπ. Η αυτόματη μετάφραση διευκολύνει τους ανθρώπους να επικοινωνούν μεταξύ τους. Αντίθετα, μια επιχείρηση τεχνητής νοημοσύνης δεν είναι επιθυμητή, όταν:

• Στοχεύει σε ένα πρόβλημα που δεν ενδιαφέρονται ή δεν μπορούν να πληρώσουν πολλά άτομα.
• Στοχεύει σε ένα σημείο πόνου, αλλά πρέπει να λυθούν πάρα πολλά προβλήματα για να αντιμετωπιστεί αυτό το σημείο πόνου.
• Προσπαθεί να λύσει πάρα πολλά προβλήματα ταυτόχρονα.

Ένα άλλο δύσκολο ζήτημα σχετίζεται με το πότε μια επιχείρηση προσπαθεί να λύσει ένα κρίσιμο πρόβλημα αποστολής . Με αυτό, εννοώ ότι _ η λύση στο πρόβλημα έχει πολύ χαμηλή ανοχή για σφάλματα_ . Για παράδειγμα, εάν ένα σφάλμα αυτόνομου λογισμικού AI οχήματος είναι 0,001%, ακόμη και αν αυτό είναι αντικειμενικά ήδη πολύ χαμηλό ποσοστό σφάλματος, εξακολουθεί να μην είναι ανεκτό. 0,001% σημαίνει ότι μπορεί να έχει 1 ατύχημα κάθε 1000 ώρες που οδηγεί και ενδεχομένως να προκαλέσει απώλεια ζωών. Αντίθετα, εάν λάβετε τη λανθασμένη πρόταση Amazon ή Netflix ακόμη και μόνο το 1% του χρόνου, κανείς δεν θα πεθάνει. Οι πιθανοί κίνδυνοι και οι αποδόσεις για κρίσιμα έργα, όπως αυτοκινούμενα αυτοκίνητα ή ιατρικές εφαρμογές (π.χ. ιατρική διάγνωση, χειρουργικά ρομπότ), είναι και τα δύο μεγαλύτερα από αυτά που δεν είναι κρίσιμα, καθιστώντας ένα πιο δύσκολο ζήτημα.

Βήμα 2: Εμπορική βιωσιμότητα

Για ώριμες επιχειρήσεις που ξοδεύουν χρήματα για να αναπτύξουν μια εφαρμογή AI, θα πρέπει να έχουν στιβαρή επιχειρηματική θήκη για να δικαιολογήσει την αρχική επένδυση. Για παράδειγμα, ο διευθύνων σύμβουλος της IBM Virginia Rometty θέλει να δημιουργήσει η IBM Watson 10 δισεκατομμύρια δολάρια σε ετήσια έσοδα πριν από το 2024. Για μια εκκίνηση AI, ειδικά αν είναι προ-έσοδα, ένα σημαντικό ερώτημα που πάντα ρωτώ είναι: είναι η αγορά αρκετά μεγάλη για το είδος των προβλημάτων που επιλύει η εταιρεία; Για παράδειγμα, εάν η εταιρεία αναπτύσσει μια εφαρμογή τεχνητής νοημοσύνης για μια πολύ συγκεκριμένη χώρα σε μια συγκεκριμένη βιομηχανία με μέγιστο δυναμικό αγοράς 1 εκατομμύριο $ ετησίως, θα επενδύατε σε αυτήν;

Μια άλλη πτυχή που πρέπει να λάβετε υπόψη είναι το επενδυτικός ορίζοντας . Η βαθύτερη τεχνολογία AI απαιτεί περισσότερο χρόνο για την ανάπτυξη του προϊόντος. Για παράδειγμα, η Waymo (αυτόνομη εταιρεία οχημάτων οδήγησης της Google) δοκιμάζει αυτήν την τεχνολογία από το 2009 και εξακολουθεί να μην έχει κυκλοφορήσει εμπορικό προϊόν. Οι πιο βαθιές εταιρείες τεχνολογίας AI μπορούν επίσης να χρειαστούν πολύ χρόνο για να λάβουν την αναγνώριση της αγοράς και τις επακόλουθες αποδόσεις των επενδύσεων. Πάρτε το Nvidia (NASDAQ: NVDA) ως παράδειγμα. Η Nvidia παρέχει τα πιο δημοφιλή τσιπ, GPU, για τον υπολογισμό των αλγορίθμων νευρωνικών δικτύων που χρησιμοποιούνται σε πολλές εφαρμογές όρασης υπολογιστή, συμπεριλαμβανομένων αυτοκινούμενων αυτοκινήτων. Κοιτάζοντας το διάγραμμα τιμών μετοχών παρακάτω, μπορεί κανείς να παρατηρήσει με σαφήνεια το διάσημο μοτίβο «καμπύλη S» που βλέπετε σε πολλές καινοτόμες επιχειρήσεις. Αλλά ο συγχρονισμός είναι σημαντικός: εάν έχετε επενδύσει στη Nvidia από την IPO του το 1999, δεν θα έχετε δει την όμορφη επιστροφή μέχρι το 2016, όταν η βαθιά μάθηση η AI έγινε «στη μόδα».

Βήμα 3: Τεχνική σκοπιμότητα

Όπως συζητήθηκε στο μου άλλο άρθρο Πιστεύω ότι υπάρχουν τέσσερα βασικά στοιχεία για την επιτυχία του προϊόντος στη μηχανική μάθηση (συμπεριλαμβανομένης της βαθιάς μάθησης): καλά καθορισμένα και επιθυμητά προβλήματα, καθαρά και καλά επισημασμένα δεδομένα, ισχυροί αλγόριθμοι και εκτεταμένη υπολογιστική ισχύς. Τα τρία τελευταία καθορίζουν την τεχνική σκοπιμότητα της επιχείρησης AI. Εδώ θα συζητήσω εν συντομία τι σημαίνουν αυτά τα στοιχεία και πώς μπορεί κανείς να συμπεριλάβει τη δέουσα επιμέλεια ως επενδυτής.

Πρώτον, η ανάπτυξη ενός αλγορίθμου μηχανικής μάθησης απαιτεί πρόσβαση σε καθαρά και καλά επισημασμένα δεδομένα. Αυτό συμβαίνει επειδή, όπως αναφέρθηκε προηγουμένως, αυτοί οι αλγόριθμοι δημιουργούνται με τροφοδοσία διαφορετικών στατιστικών μοντέλων μιας μεγάλης ποσότητας δεδομένων που έχουν καλή σήμανση για τη δημιουργία των απαραίτητων προγνωστικών σχέσεων. Καθώς ερευνάτε την επιχείρηση τεχνητής νοημοσύνης, πρέπει να γνωρίζετε εάν έχουν πρόσβαση σε χρησιμοποιήσιμα δεδομένα, πώς τα έλαβαν και αν μπορούν να συνεχίσουν να λαμβάνουν τέτοια δεδομένα . Ή, εάν δεν έχουν ήδη τα δεδομένα, ποιο είναι το σχέδιό τους να συλλέξουν τέτοια δεδομένα; Η τάση εκδημοκρατισμού δεδομένων καταναλωτών και πρωτοβουλιών όπως η ανοιχτή τραπεζική θα προσφέρει πολλές ευκαιρίες για νέες εφαρμογές AI.

Δεύτερον, μια επιχείρηση AI πρέπει να αναπτύξει ισχυρούς, επεκτάσιμους αλγόριθμους. Για να επιτευχθεί αυτό, υπάρχουν τρία απαραίτητα στοιχεία: ο μεγάλος όγκος των καλά επισημασμένων δεδομένων που συζητήθηκαν παραπάνω, το σωστό ταλέντο και η εμπιστοσύνη ότι η βαθιά μάθηση είναι η κατάλληλη τεχνολογία για την επίλυση του προβλήματος. Ένα βασικό ερώτημα είναι επομένως: μπορεί η επιχείρηση να προσελκύσει το σωστό ταλέντο ; Κορυφαίο ταλέντο AI, ειδικά επιστήμονες δεδομένων και μηχανικοί και προγραμματιστές που έχουν ήδη εμπειρία με την τεχνητή νοημοσύνη, αρπάζονται από τεχνολογικούς γίγαντες όπως η Google, το Facebook, η Microsoft και η IBM, αφήνοντας πολύ λίγα για άλλες εταιρείες και νεοσύστατες επιχειρήσεις. Για να προσελκύσουν κορυφαία ταλέντα, όχι μόνο θα πρέπει να είναι προετοιμασμένοι να πληρώνουν βαριούς μισθούς (π.χ. οι υπάλληλοι του εργαστηρίου DeepMind της Google κερδίζουν κατά μέσο όρο ~ 345.000 $ ΗΠΑ χρειάζονται επίσης ένα πειστικό όραμα. Επιπλέον, πρέπει να ρωτήσετε εάν η βαθιά μάθηση είναι η πιο κατάλληλη τεχνολογία για την επίλυση του εμπορικού προβλήματος. Για παράδειγμα, για μια εφαρμογή robo-advisor για κατανομές περιουσιακών στοιχείων επενδυτών λιανικής, Ένα πρόγραμμα που βασίζεται σε κανόνες μπορεί να είναι πολύ λιγότερο δαπανηρό για ανάπτυξη και ευκολότερο να εφαρμοστεί από έναν αλγόριθμο βαθιάς μάθησης . Αντίθετα, ένας αλγόριθμος μηχανικής μάθησης με την ικανότητα να μαθαίνει από λάθη και νίκες του παρελθόντος, και που μπορεί να συνεχίσει να βελτιώνεται, είναι ένας καλύτερος υποψήφιος για έναν αλγόριθμο επένδυσης hedge fund. Επί του παρόντος, οι τομείς που έχουν επιτύχει τις περισσότερες ανακαλύψεις και είναι οι πλέον κατάλληλοι για τεχνολογίες βαθιάς μάθησης είναι η επεξεργασία φυσικής γλώσσας (π.χ. μηχανική μετάφραση), η όραση του υπολογιστή (π.χ. αναγνώριση προσώπου, αυτοκίνητα χωρίς οδηγό) και το παιχνίδι (π.χ. AlphaGo, εξελικτική επενδυτική απόφαση κατασκευή).

Τρίτον, η επιχείρηση πρέπει να έχει την ικανότητα να αποκτά εκτεταμένη υπολογιστική ισχύ . Όπως συζητήθηκε λεπτομερώς στο προηγούμενο άρθρο μου, η υπολογιστική ισχύς είτε από cloud computing είτε από διακομιστές GPU ενός ατόμου είναι δαπανηρή. Υπάρχουν δύο βασικές ερωτήσεις που πρέπει να ζητήσετε επιμέλεια αυτή την πτυχή: 1) Πόση υπολογιστική ισχύ απαιτείται μια τυπική εργασία για αυτήν την επιχείρηση; Διατίθεται τέτοια υπολογιστική ισχύς σήμερα; Αυτό είναι ιδιαίτερα σημαντικό για εφαρμογές που απαιτούν επεξεργασία σε πραγματικό χρόνο, αλλά έχουν μόνο περιορισμένο διαθέσιμο χώρο στην πραγματική συσκευή για να φιλοξενήσουν GPU και μπαταρίες (π.χ. drones). 2) Μπορεί η επιχείρηση να αποκτήσει τέτοια υπολογιστική δύναμη; Για παράδειγμα, ο Kaifu Lee λέει μια ενδιαφέρουσα ιστορία στο βιβλίο του, Τεχνητή νοημοσύνη , ότι μια εκκίνηση βαθιάς μάθησης που επένδυσε ξόδεψε 7 εκατομμύρια RMB (~ 1 εκατομμύριο δολάρια ΗΠΑ) τους πρώτους 3 μήνες μόνο για να αγοράσει διακομιστές υπολογιστών βαθιάς μάθησης. Τονίζει περαιτέρω ότι σήμερα, ένα τυπικό εκπαιδευτικό μοντέλο βαθιάς μάθησης απαιτεί έναν ή περισσότερους υπολογιστές που έχουν τέσσερις έως οκτώ GPU υψηλής χωρητικότητας. Πολλές εργασίες όρασης υπολογιστή απαιτούν εκατοντάδες και χιλιάδες συμπλέγματα GPU και εκπέμπουν 10 φορές περισσότερη θερμότητα από έναν κανονικό διακομιστή. Ορισμένες από τις ομάδες εκκίνησης σε αυτούς τους τομείς έπρεπε να επανασχεδιάσουν συστήματα AC ή να αγοράσουν τεράστια κομμάτια πάγου για να δροσίσουν τους διακομιστές.

Βήμα 4: Συχνές (και επιρρεπείς) παρεξηγήσεις που σχετίζονται με την AI

1. Μερικές εταιρείες αναπτύσσονται πραγματικά νέες ψηφιακές επιχειρήσεις (π.χ. αυτοματοποίηση διεργασιών για τράπεζες) ή αλγόριθμοι μη μηχανικής μάθησης βάσει κανόνων, αλλά ισχυρίζονται ότι είναι AI , λόγω της προσοχής και της καλύτερης αποτίμησης που λαμβάνει η επιχείρηση AI. Με τη δέουσα επιμέλεια, μπορείτε να προσπαθήσετε να ανακαλύψετε αυτές τις μεταμφιέσεις ρωτώντας τους ερωτήσεις όπως ποιες βασικές τεχνολογίες χρησιμοποιούν; Εάν δεν έχουν προσλάβει μια ολόκληρη ομάδα επιστημόνων δεδομένων και μηχανικών τεχνητής νοημοσύνης δεδομένου ότι ισχυρίζονται ότι χρησιμοποιούν το «AI», είτε μέσω συμβάσεων με άλλες εταιρείες τεχνολογίας είτε εσωτερικά, τότε μπορεί να είναι μια κόκκινη σημαία.
2. Μερικές φορές η μηχανική μάθηση + η ανθρώπινη παρέμβαση μπορεί να λειτουργήσει καλύτερα από απλώς το AI. Για παράδειγμα, πρόσφατα, η κινεζική εταιρεία τεχνολογίας μετάφρασης, iFlytek, έσπασε μια διαμάχη όταν η υποτιθέμενη ταυτόχρονη συσκευή αυτόματης μετάφρασης ανακαλύφθηκε ότι απλώς ακούει και αντιγράφει τη φωνή ενός ανθρώπου ταυτόχρονα μεταφραστή. Το iFlytek εξήγησε αργότερα ότι η μετάφραση σε πραγματικό χρόνο δεν είναι προς το παρόν δυνατή με την απαιτούμενη ταχύτητα και ακρίβεια. Πιστεύουν ότι ο συνδυασμός της ανθρώπινης και της μηχανικής νοημοσύνης φέρνει την καλύτερη λύση για αποτελέσματα.
3. Τέλος, το κύριο μάθημα που έμαθα από την εμπειρία εκκίνησης (επίσης μια προειδοποιητική ιστορία για επίδοξους επιχειρηματίες και επενδυτές) είναι αυτό υπάρχει μεγάλη διαφορά μεταξύ επιστημονικών πρωτοτύπων AI και εμπορικά επεκτάσιμων λύσεων . Συνήθως ένα επιστημονικό πρωτότυπο μπορεί να αναπτυχθεί από έναν ταλαντούχο επιστήμονα δεδομένων χρησιμοποιώντας ένα γρήγορο πρωτότυπο λογισμικό (π.χ. MatLab), μέσα σε λίγους μήνες χρησιμοποιώντας, για παράδειγμα, 1000 έως 10.000 σημεία δεδομένων. Ένα εμπορικά επεκτάσιμο πρωτότυπο, όπως συζητήθηκε προηγουμένως, απαιτεί: 1) κεφάλαια για την πρόσληψη ειδικών AI (επιστήμονες δεδομένων, αρχιτέκτονες, μηχανικοί λογισμικού, διαχειριστές προϊόντων), 2) εκπαιδευτικά σύνολα δεδομένων με δεκάδες εκατομμύρια σημεία δεδομένων, 3) πρόγραμμα υπολογιστή (π.χ. Python, C ++, κ.λπ.), 4) κεφάλαια για την αγορά διακομιστών υπολογιστών σε βάθος ή λύσεων υπολογιστικού νέφους σε Amazon AWS, Google Cloud, Microsoft Azure κ.λπ.

Βήμα 5: Οικονομικές και επιχειρηματικές μετρήσεις

Τέλος, πρέπει να επιμένετε την επιχείρηση AI » οικονομικές στατιστικές και τις μη χρηματοοικονομικές επιχειρηματικές προοπτικές της, και αξιολόγησέ τις όπως θα κάνατε για άλλες εταιρείες τεχνολογίας. Δείτε το παράδειγμα ανάλυσης όπως φαίνεται στον παρακάτω πίνακα.

Οι παραδοσιακές οικονομικές και μη χρηματοοικονομικές μετρήσεις για την αξία της επιχείρησης περιλαμβάνουν έσοδα, καθαρά έσοδα / ταμειακές ροές, ρυθμό αύξησης εσόδων, αναλογίες (P / E, P / S, κ.λπ.), μακροοικονομική, ανταγωνιστές, ρυθμίσεις κ.λπ. εταιρείες τεχνολογίας έχουν επίσης τα δικά τους μοναδικά χαρακτηριστικά. Ένα παράδειγμα είναι ότι ο ρυθμός ανάπτυξης μπορεί να είναι πιο σημαντικός από την κερδοφορία. Για νεοσύστατα τεχνολογικά ξεκινήματα, οι στατιστικές χρηστών, όπως οι ενεργοί χρήστες και οι κρατήσεις, είναι πιο σημαντικές από τα έσοδα ή τις ταμειακές ροές. Οι αποτιμήσεις μπορεί να είναι υψηλότερες λόγω της ζήτησης για τέτοιες επενδύσεις. Για παράδειγμα, η αναλογία P / E για Nvidia (NVDA) είναι ~ 30x P / E, ενώ η McDonald's (MCD) διαπραγματεύεται στα ~ 20x.

Υπάρχουν πολλά επενδυτικά βιβλία σχετικά με το πώς να εκτιμήσετε μια εταιρεία, οπότε δεν πρόκειται να το διερευνήσω με μεγάλη λεπτομέρεια εδώ. Εάν πρόκειται για δημόσια εταιρεία, μπορείτε να λάβετε αυτές τις λεπτομέρειες από δημόσιες καταχωρίσεις όπως οικονομικές αναφορές ή από παρόχους δεδομένων αγοράς όπως το Google Finance ή το Bloomberg. Εάν πρόκειται για ιδιωτική εταιρεία, μπορείτε να επικοινωνήσετε με τη διεύθυνση της εταιρείας για να λάβετε τις απαραίτητες λεπτομέρειες.

συμπέρασμα

Συνοπτικά, κατά τη γνώμη μου, νομίζω τα πιο επιθυμητά χαρακτηριστικά για μια επένδυση τεχνητής νοημοσύνης βραχυπρόθεσμα έως μεσοπρόθεσμα (και επομένως αυτό που κάνει μια καλή επένδυση τεχνητής νοημοσύνης), είναι: 1) επίλυση ενός καλά καθορισμένου επιθυμητού προβλήματος και 2) μη κρίσιμης σημασίας (κανένας δεν θα πεθάνει αν αποτύχει). Αυτές οι περιπτώσεις περιλαμβάνουν τους τομείς της έξυπνης εξυπηρέτησης πελατών, όπως chatbots (όχι μόνο βάσει κανόνα), διάγνωση ιατρικής απεικόνισης, αναγνώριση προσώπου, μηχανική μετάφραση, οικονομικοί σύμβουλοι AI, gaming υπολογιστών κ.λπ. Φυσικά, μακροπρόθεσμα, τα κρίσιμα προβλήματα υψηλού κινδύνου / υψηλής ανταμοιβής (π.χ. αυτοκίνητα χωρίς οδηγό) είναι τα βραβεία που βλέπουν πολλά . Μόλις διαπιστώσετε ότι έχουν ένα επιθυμητό πρόβλημα για επίλυση, μπορείτε να αναλύσετε την εμπορική τους βιωσιμότητα, την τεχνική σκοπιμότητα, τις οικονομικές στατιστικές και τις επιχειρηματικές μετρήσεις.

Πρέπει επίσης να σκεφτείτε τους συγκεκριμένους κλάδους AI που θέλετε να επενδύσετε. Διαφορετικοί κλάδοι AI έχουν διαφορετική επείγουσα ζήτηση πελατών και ετοιμότητα τεχνολογίας, και συνεπώς διαφορετικές αποδόσεις και κινδύνους επενδύσεων. Μπορείτε να επενδύσετε σε υλικό έναντι λογισμικού έναντι πλατφόρμας έναντι υπηρεσιών και σε διαφορετικούς κλάδους όπως χρηματοοικονομικά, εκπαίδευση, υγειονομική περίθαλψη, βιομηχανικά. Σε ένα επόμενο άρθρο, θα συζητήσω πώς μπορείτε να αρχίσετε να επενδύετε σε AI, συμπεριλαμβανομένων των πιο υποσχόμενων κλάδων και τεχνολογιών, του επενδυτικού στυλ (παθητικό έναντι ενεργού) και των γεωγραφιών (ΗΠΑ έναντι Κίνας έναντι του υπόλοιπου κόσμου).

Κατανόηση των βασικών

Ποιες εταιρείες συμμετέχουν στο AI;

Πολλές από τις γιγαντιαίες εταιρείες τεχνολογίας εμπλέκονται στο AI: Google (Alphabet), Microsoft, Amazon, Apple, IBM, Facebook κ.λπ. Κάθε εταιρεία αναπτύσσει διαφορετικές εφαρμογές που βασίζονται σε AI. Για παράδειγμα, η αυτο-οδήγηση της Google (Waymo) περιλαμβάνει την όραση του υπολογιστή. Το Watson της IBM είναι πολύ ισχυρό στην επεξεργασία φυσικών γλωσσών.

Τι είναι το DeepMind της Google;

Η DeepMind είναι θυγατρική της Alphabet (μητρική εταιρεία της Google) η οποία εξαγοράστηκε από την Google το 2014. Ήταν μια κορυφαία εκκίνηση τεχνολογίας νευρωνικών δικτύων που ιδρύθηκε το 2010 από τους Demis Hassabis, Shane Legg και Mustafa Suleyman. Η DeepMind έκανε τα πρωτοσέλιδα μετά το πρόγραμμά της AlphaGo νίκησε τον Go παίκτη Lee Sedol το 2016.

Τι είναι η πλατφόρμα AI;

Μια πλατφόρμα AI είναι μια αρχιτεκτονική υλικού ή μια επιχείρηση πλαισίου λογισμικού στην οποία άλλες επιχειρήσεις μπορούν να χρησιμοποιήσουν για να αναπτύξουν νέες εφαρμογές AI. Οι κορυφαίες πλατφόρμες AI περιλαμβάνουν τα Microsoft Azure, TensorFlow, Infosys Nia κ.λπ. Η χρήση αυτών των πλατφορμών μπορεί συχνά να επισπεύσει την ανάπτυξη και να εξοικονομήσει χρήματα, επομένως «εκδημοκρατισμός του AI».