Sumário executivo

Cinco coisas que são necessárias para realizar um investimento em IA:

• Desejo do cliente (este negócio está resolvendo um problema de cliente que vale a pena?)
• Viabilidade comercial (a empresa ganhará dinheiro suficiente?)
• Viabilidade técnica (pode realmente funcionar, em escala?)
• Mal-entendidos comuns (e propensos ao hype) relacionados à IA
• Métricas financeiras e de negócios

Diligência de desejo do cliente:

• Para começar, é preciso perguntar: Que problema (s) a empresa está tentando resolver com a tecnologia de IA?
• um negócio de IA não é desejável, quando: (a) está direcionado a um problema que muitas pessoas não se importam ou podem pagar, (b) está direcionado a um ponto problemático, mas muitos problemas precisam ser resolvidos para abordar esse ponto problemático e (c) está tentando resolver muitos problemas ao mesmo tempo.
• Um problema complicado ocorre quando uma empresa está tentando resolver um problema de missão crítica, o que significa que a solução do problema tem uma tolerância muito baixa para erros. Os riscos e retornos potenciais para projetos de missão crítica, como carros autônomos ou aplicações médicas, são maiores do que os que não são de missão crítica, tornando-se um problema mais difícil de lidar.

Diligência de viabilidade comercial:

• As empresas maduras que gastam dinheiro para desenvolver um aplicativo de IA devem ter um caso de negócios robusto para justificar o investimento inicial.
• Para uma startup de IA, especialmente se for pré-receita, uma questão importante é se o mercado endereçável alvo é grande o suficiente.
• Outro aspecto que deve ser considerado é o horizonte de investimento, já que a tecnologia de IA mais profunda leva mais tempo para se desenvolver.

Diligência de viabilidade técnica:

• O desenvolvimento de um algoritmo de aprendizado de máquina requer acesso a dados limpos e bem rotulados. Portanto, é necessário saber se eles têm acesso aos dados utilizáveis, como os obtiveram e se podem continuar a obtê-los.
• Uma empresa de IA precisa desenvolver algoritmos robustos e escaláveis. Para conseguir isso, existem três itens essenciais: a grande quantidade de dados bem rotulados discutidos acima, o talento certo e a confiança de que o aprendizado de máquina é a tecnologia adequada para resolver o problema.
• As empresas de IA devem ter a capacidade de adquirir amplo poder de computação. Portanto, há duas questões principais: 1) Quanto poder de computação é uma tarefa típica necessária para este negócio? Esse poder de computação está disponível hoje? 2) A empresa pode pagar esse poder de computação?

Mal-entendidos comuns (e propensos ao hype) relacionados à IA:

• Algumas empresas estão apenas desenvolvendo novos negócios digitais, ou algoritmos de aprendizado de máquina não baseados em regras, mas afirmam que são IA, devido à atenção e melhor avaliação que os negócios de IA recebem. Durante a diligência devida, deve-se pedir detalhes sobre as tecnologias subjacentes que estão sendo empregadas e, se a empresa não contratou uma equipe inteira de cientistas de dados e engenheiros de IA, deve-se duvidar.
• Às vezes, o aprendizado de máquina misturado com intervenção humana antiquada pode funcionar melhor do que apenas IA.
• Há uma grande diferença entre protótipos científicos de IA e soluções comercialmente escaláveis. Normalmente, um protótipo científico pode ser desenvolvido por um cientista de dados talentoso usando um software de prototipagem rápida em apenas alguns meses. Em vez disso, um protótipo comercialmente escalável requer um financiamento significativo, acesso a grandes quantidades de dados, algoritmos avançados e escaláveis ​​e acesso a talentos fortes.

Em um postagem anterior , Eu fiz uma cartilha básica no campo da IA ​​para investidores interessados ​​em colocar dinheiro para trabalhar no espaço. Em particular, discuti alguns elementos essenciais que cada investidor deve saber para tomar decisões de investimento mais informadas:

• O que é IA?
• O que há de especial na onda atual de IA?
• Quais são os quatro componentes críticos de uma aplicação de IA de sucesso?

Conforme foi discutido, o mundo testemunhou uma explosão de interesse no tópico. E, sem surpresa, os dólares de investimento seguiram um caminho semelhante. De acordo com CB Insights , negócios e dólares para startups de IA têm aumentado desde 2012, com um grande salto de 60% no capital investido para US $ 5 bilhões em 2016. Statista estimou que em 2017, startups globais de IA receberam US $ 15,2 bilhões em investimentos, um aumento exponencial de 300% em relação a 2016. Além disso, as grandes empresas de tecnologia estão arrebatando startups de IA para avançar na corrida de IA.

Esta postagem de acompanhamento pretende ser um guia mais prático para investidores que estão avaliando as perspectivas de investimento no espaço. Em particular, irei percorrer as cinco etapas críticas para avaliar um investimento relacionado à IA:

1. Desejo do cliente (este negócio está resolvendo um problema de cliente que vale a pena?)
2. Viabilidade comercial (a empresa ganhará dinheiro suficiente?)
3. Viabilidade técnica (pode realmente funcionar, em escala?)
4. Mal-entendidos comuns (e propensos ao hype) relacionados à IA
5. Métricas financeiras e de negócios

Observação: usarei os exemplos de algumas empresas conhecidas de capital aberto. Não endosso nem desencorajo os leitores a investirem nessas empresas.

Etapa 1: Desejo do cliente

Na minha opinião, esta etapa é a mais importante dos cinco descritos neste artigo. Para começar, você precisa se perguntar - Que problema (s) a empresa está tentando resolver com a tecnologia de IA? Por exemplo, carros autônomos podem melhorar a experiência de mobilidade, tornando-a mais segura, mais conveniente, etc. A tradução automática torna mais fácil para os humanos se comunicarem uns com os outros. Em contraste, um negócio de IA não é desejável, quando:

• Tem como alvo um problema com o qual muitas pessoas não se importam ou pelo qual podem pagar.
• Ele tem como alvo um ponto de dor, mas muitos problemas precisam ser resolvidos para abordar esse ponto de dor.
• Ele está tentando resolver muitos problemas ao mesmo tempo.

Outro problema complicado é quando uma empresa está tentando resolver um problema de missão crítica . Com isso quero dizer que _ a solução para o problema tem uma tolerância muito baixa para erro_ . Por exemplo, se o erro de software de IA de um veículo autônomo é 0,001%, mesmo que objetivamente já seja uma taxa de erro muito baixa, ainda não é tolerável. 0,001% significa que pode ocorrer um acidente a cada 1000 horas de condução e, potencialmente, causar a perda de vidas. Pelo contrário, se você receber a recomendação errada da Amazon ou da Netflix, mesmo que apenas 1% das vezes, ninguém morrerá. Os riscos e retornos potenciais para projetos de missão crítica, como carros autônomos ou aplicações médicas (por exemplo, diagnóstico médico, robôs cirúrgicos), são maiores do que os não essenciais, tornando-se um problema mais difícil de lidar.

Etapa 2: viabilidade comercial

Para empresas maduras que gastam dinheiro para desenvolver um aplicativo de IA, elas devem ter um caso de negócios robusto para justificar o investimento inicial. Por exemplo, a CEO da IBM, Virginia Rometty, deseja que o IBM Watson gere $ 10 bilhões em receita anual antes de 2024. Para uma startup de IA, especialmente se for pré-receita, uma pergunta importante que sempre faço é: o mercado é grande o suficiente para o tipo de problemas que a empresa está resolvendo? Por exemplo, se a empresa estiver desenvolvendo um aplicativo de IA para um país muito específico em um setor específico com um potencial de mercado máximo de $ 1 milhão por ano, você investiria nele?

Outro aspecto que você precisa considerar é o horizonte de investimento . A tecnologia Deeper AI leva mais tempo para desenvolver o produto. Por exemplo, a Waymo (empresa de veículos automotores autônomos do Google) testa essa tecnologia desde 2009 e ainda não lançou um produto comercial. As empresas de tecnologia de IA mais profundas também podem levar muito tempo para obter o reconhecimento do mercado e os retornos de investimento subsequentes. Tome Nvidia (NASDAQ: NVDA) como exemplo. A Nvidia fornece os chips mais populares, GPUs, para computar os algoritmos de rede neural usados ​​em muitas aplicações de visão computacional, incluindo carros autônomos. Olhando para o gráfico de preços de ações abaixo, pode-se notar claramente o famoso padrão “curva em S” que você vê em muitos negócios inovadores. Mas o momento é significativo: se você investiu na Nvidia desde seu IPO em 1999, não teria visto o retorno atraente até depois de 2016, quando a IA de aprendizagem profunda se tornou 'na moda'.

Etapa 3: Viabilidade técnica

Conforme discutido em meu outro artigo , Acredito que existem quatro componentes principais para o sucesso de um produto de aprendizado de máquina (incluindo aprendizado profundo): problemas bem definidos e desejáveis, dados limpos e bem rotulados, algoritmos robustos e amplo poder de computação. Os três últimos determinam a viabilidade técnica do negócio de IA. Aqui, discutirei brevemente o que esses componentes significam e como se pode conduzir a devida diligência como investidor.

Primeiro, o desenvolvimento de um algoritmo de aprendizado de máquina requer acesso a dados limpos e bem rotulados. Isso ocorre porque, como mencionado anteriormente, esses algoritmos são construídos alimentando diferentes modelos estatísticos com uma grande quantidade de dados que são bem rotulados para estabelecer as relações preditivas necessárias. Conforme você pesquisa o negócio de IA, você precisa saber se eles têm acesso a dados utilizáveis, como os obtiveram e se podem continuar a obter esses dados . Ou, se eles ainda não têm os dados, qual é o seu plano para coletar esses dados? A tendência de democratizar os dados do consumidor e iniciativas como o banco aberto proporcionará muitas oportunidades para novos aplicativos de IA.

Em segundo lugar, uma empresa de IA precisa desenvolver algoritmos robustos e escalonáveis. Para conseguir isso, existem três itens essenciais: a grande quantidade de dados bem identificados discutidos acima, o talento certo e a confiança de que o aprendizado profundo é a tecnologia adequada para resolver o problema. Portanto, uma questão chave é: o negócio pode atrair o talento certo ? Os maiores talentos de IA, especialmente cientistas de dados, engenheiros e programadores já experientes em IA, são arrebatados por gigantes da tecnologia como Google, Facebook, Microsoft e IBM, deixando muito poucos para outras empresas e startups. Para atrair os melhores talentos, eles não só precisam estar preparados para pagar salários elevados (por exemplo, funcionários do laboratório DeepMind do Google ganham em média ~ US $ 345.000 p.a.), eles também precisam de uma visão convincente. Além disso, você precisa perguntar se o aprendizado profundo é a tecnologia mais adequada para resolver o problema comercial. Por exemplo, para um aplicativo robo-consultor para alocações de ativos de investidores de varejo, um programa baseado em regras pode ser muito mais barato de desenvolver e mais fácil de implementar do que um algoritmo de aprendizado profundo . Em contraste, um algoritmo de aprendizado de máquina com a capacidade de aprender com os erros e vitórias do passado, e que pode continuar a se aprimorar, é um candidato melhor para um algoritmo de investimento de fundo de hedge. Atualmente, as áreas que alcançaram mais avanços e que são mais adequadas para tecnologias de aprendizado profundo são o processamento de linguagem natural (por exemplo, tradução automática), visão computacional (por exemplo, reconhecimento facial, carros sem motorista) e jogos (por exemplo, AlphaGo, decisão de investimento evolutivo fazer).

Terceiro, o negócio precisa ter a capacidade de adquirir amplo poder de computação . Conforme discutido em detalhes em meu artigo anterior, a capacidade de computação da computação em nuvem ou dos próprios servidores de GPU é cara. Há duas perguntas-chave que você precisa fazer para diligência neste aspecto: 1) Quanta capacidade de computação é uma tarefa típica necessária para este negócio? Esse poder de computação está disponível hoje? Isso é especialmente importante para aplicativos que requerem processamento em tempo real, mas têm apenas espaço disponível limitado no dispositivo real para acomodar GPUs e baterias (por exemplo, drones). 2) A empresa pode pagar esse poder de computação? Por exemplo, Kaifu Lee conta uma história interessante em seu livro, Inteligência artificial , que uma startup de aprendizado profundo em que ele investiu gastou 7 milhões de RMB (~ 1 milhão de dólares) nos primeiros 3 meses apenas para comprar servidores de computação de aprendizado profundo. Ele ainda enfatiza que hoje, uma tarefa típica de treinamento de modelo de aprendizado profundo requer um ou vários computadores com quatro a oito GPUs de alta capacidade. Muitas tarefas de visão computacional requerem centenas e milhares de clusters de GPU e emitem 10 vezes mais calor do que um servidor normal. Algumas das equipes de inicialização nesses campos tiveram que redesenhar os sistemas de CA ou comprar grandes pedaços de gelo para resfriar os servidores.

Etapa 4: mal-entendidos comuns (e propensos ao hype) relacionados à IA

1. Algumas empresas estão apenas desenvolvendo novos negócios digitais (por exemplo, automação de processos para bancos), ou algoritmos de aprendizado de máquina não baseados em regras, mas afirmam que são IA , por causa da atenção e da melhor avaliação que os negócios de IA recebem. Em sua devida diligência, você pode tentar descobrir esses disfarces fazendo perguntas como quais tecnologias subjacentes eles estão empregando? Se eles não contrataram uma equipe inteira de cientistas de dados e engenheiros de IA, pois afirmam que usam “IA”, seja por meio de contratos com outras empresas de tecnologia ou internamente, isso pode ser uma bandeira vermelha.
2. Às vezes, aprendizado de máquina + intervenção humana podem funcionar melhor do que apenas IA. Por exemplo, recentemente, a empresa de tecnologia de tradução chinesa, iFlytek, quebrou uma polêmica quando seu dispositivo de tradução automática supostamente simultânea foi descoberto apenas ouvindo e copiando a voz de um tradutor humano simultâneo. A iFlytek explicou mais tarde que a tradução em tempo real não é atualmente possível com a velocidade e precisão exigidas. Eles acham que a combinação da inteligência humana e da máquina traz a melhor solução para os resultados.
3. Por fim, minha principal lição aprendida com minha experiência em startups (também um conto de advertência para aspirantes a empreendedores e investidores) é que há uma grande diferença entre protótipos científicos de IA e soluções comercialmente escaláveis . Normalmente, um protótipo científico pode ser desenvolvido por um cientista de dados talentoso usando um software de prototipagem rápida (por exemplo, MatLab), em apenas alguns meses usando, a título de exemplo, 1000 a 10.000 pontos de dados. Um protótipo comercialmente escalável, conforme discutido anteriormente, requer: 1) fundos para contratar especialistas em IA (cientistas de dados, arquitetos, engenheiros de software, gerentes de produto), 2) conjuntos de dados de treinamento com dezenas de milhões de pontos de dados, 3) programa de computador (por exemplo, Python, C ++, etc), 4) fundos para comprar servidores de computador de aprendizagem profunda ou soluções de computação em nuvem no Amazon AWS, Google Cloud, Microsoft Azure, etc.

Etapa 5: métricas financeiras e de negócios

Finalmente, você deve diligenciar o negócio de IA estatísticas financeiras e suas perspectivas de negócios não financeiros e avalie-as como faria por qualquer outra empresa de tecnologia. Veja a análise de exemplo conforme ilustrado na tabela abaixo.

As métricas financeiras e não financeiras tradicionais para avaliar o negócio incluem receita, receita líquida / fluxos de caixa, taxa de crescimento da receita, índices (P / L, P / S, etc.), macroeconomia, concorrentes, regulamentação, etc. As empresas de tecnologia também têm suas próprias características únicas. Um exemplo é que a taxa de crescimento pode ser mais importante do que a lucratividade. Para startups de tecnologia em estágio inicial, as estatísticas do usuário, como usuários ativos e reservas, são mais importantes do que receitas ou fluxos de caixa. As avaliações podem ser maiores devido à demanda por tais investimentos. Por exemplo, a relação P / L para Nvidia (NVDA) está em ~ 30x P / E, enquanto o McDonald's (MCD) está negociando em ~ 20x.

Existem muitos livros de investimentos sobre como avaliar uma empresa, então não vou me aprofundar nisso aqui. Se for uma empresa pública, você pode obter esses detalhes de registros públicos, como relatórios financeiros, ou de fornecedores de dados de mercado, como Google Finance ou Bloomberg. Se for uma empresa privada, você pode entrar em contato com a administração da empresa para obter os detalhes necessários.

Conclusão

Em resumo, na minha opinião, acho os atributos mais desejáveis ​​para um investimento em IA no curto a médio prazo (e, portanto, o que faz um bom investimento em IA), são: 1) resolver um problema desejável bem definido e 2) não de missão crítica (ninguém morrerá se falhar). Esses casos incluem as áreas de atendimento ao cliente inteligente, como chatbots (não puramente baseado em regras), diagnóstico por imagem médica, reconhecimento facial, tradução automática, consultores financeiros de IA, jogos de computador, etc. Claro, para o longo prazo, os problemas de missão crítica de alto risco / alta recompensa (por exemplo, carros sem motorista) são os prêmios em que muitos estão de olho . Depois de determinar que eles têm um problema desejável para resolver, você pode analisar sua viabilidade comercial, viabilidade técnica, estatísticas financeiras e métricas de negócios.

Você também precisa pensar sobre as verticais de IA específicas nas quais deseja investir. Diferentes verticais de IA têm diferentes urgências de demanda do cliente e prontidão de tecnologia e, portanto, diferentes retornos de investimento e riscos. Você pode investir em hardware x software x plataforma x serviço e em diferentes setores, como financeiro, educação, saúde, industrial. Em um artigo subsequente, discutirei como você pode começar a investir em IA, incluindo os setores e tecnologias mais promissores, estilo de investimento (passivo x ativo) e geografias (EUA x China x resto do mundo).

Compreender o básico

Quais empresas estão envolvidas na IA?

Muitas das empresas de tecnologia gigantes estão envolvidas em IA: Google (Alphabet), Microsoft, Amazon, Apple, IBM, Facebook, etc. Cada empresa está desenvolvendo diferentes aplicativos baseados em IA. Por exemplo, a condução autônoma do Google (Waymo) envolve visão computacional. O Watson da IBM é muito forte no processamento de linguagem natural.

O que é DeepMind do Google?

DeepMind é uma subsidiária da Alphabet (empresa controladora do Google) que foi adquirida pelo Google em 2014. Foi uma startup de tecnologia de rede neural líder fundada em 2010 por Demis Hassabis, Shane Legg e Mustafa Suleyman. DeepMind chegou às manchetes depois que seu programa AlphaGo derrotou o jogador de Go Lee Sedol em 2016.

O que é uma plataforma de IA?

Uma plataforma de IA é uma arquitetura de hardware ou negócio de estrutura de software que outras empresas podem usar para desenvolver novos aplicativos de IA. As principais plataformas de IA incluem Microsoft Azure, TensorFlow, Infosys Nia, etc. O uso dessas plataformas pode muitas vezes acelerar o desenvolvimento e economizar dinheiro, portanto, “democratizar a IA”.