• Vissa företag utvecklar egentligen bara nya digitala företag, eller regelbaserade icke-maskininlärningsalgoritmer, men hävdar att de är AI, på grund av den uppmärksamhet och bättre värdering som AI-företag får. Under due diligence bör man be om detaljer om de underliggande teknologierna som används, och om företaget inte har anställt ett helt team av datavetare och AI-ingenjörer bör man vara tveksam.
• Ibland kan maskininlärning blandat med gammaldags mänskligt ingripande fungera bättre än bara AI.
• Det är stor skillnad mellan vetenskapliga AI-prototyper och kommersiellt skalbara lösningar. Vanligtvis kan en vetenskaplig prototyp utvecklas av en begåvad dataforskare med hjälp av en snabb prototypprogramvara på bara några månader. En kommersiellt skalbar prototyp kräver istället betydande finansiering, tillgång till stora mängder data, avancerade och skalbara algoritmer och tillgång till starka talanger.

I ett tidigare inlägg gick jag igenom en grundläggande primer på området AI för investerare som är intresserade av att lägga pengar i utrymmet. Jag diskuterade särskilt några viktiga element som varje investerare bör känna till för att kunna fatta mer välgrundade investeringsbeslut:

• Vad är AI?
• Vad är speciellt med den nuvarande vågen av AI?
• Vilka är de fyra kritiska komponenterna i en framgångsrik AI-applikation?

Som diskuterades har världen sett en explosion av intresse för ämnet. Och föga överraskande har investeringsdollar följt en liknande väg. Enligt CB Insights har affärer och dollar till AI-startups ökat sedan 2012, med ett enormt hopp på 60 % i investerat kapital till 5 miljarder USD 2016. Statista uppskattade att globala AI-startups under 2017 fick 15,2 miljarder USD i investeringar, en exponentiell investering. 300 % ökning från 2016. Dessutom rycker de stora teknikföretagen upp AI-startups för att ta sig vidare i AI-racet.

Det här uppföljningsinlägget är tänkt att vara en mer praktisk guide för investerare som utvärderar investeringsmöjligheter i utrymmet. I synnerhet kommer jag att gå igenom de fem kritiska stegen för att utvärdera en AI-relaterad investering:

1. Kundens önskvärdhet (löser den här verksamheten ett värdefullt kundproblem?)
2. Kommersiell lönsamhet (kommer företaget att tjäna tillräckligt med pengar?)
3. Teknisk genomförbarhet (kan det verkligen fungera i stor skala?)
4. Vanliga (och hypebenägna) missförstånd relaterade till AI
5. Finansiella och affärsmässiga mätvärden

Observera:Jag kommer att använda exemplen på några välkända börsnoterade företag. Jag stöder eller avråder inte läsare från att investera i dessa företag.

Steg 1:Kundens önskvärdhet

Enligt min åsikt är det här steget det viktigaste av de fem som beskrivs i denna artikel. Till att börja med måste du fråga dig själv - Vilka problem försöker företaget lösa med AI-teknik? Till exempel kan självkörande bilar förbättra mobilitetsupplevelsen genom att göra den säkrare, bekvämare, etc. Maskinöversättning gör det lättare för människor att kommunicera med varandra. Däremot är en AI-verksamhet inte önskvärd när:

• Det är inriktat på ett problem som inte många bryr sig om eller kan betala för.
• Det är inriktat på en smärtpunkt men för många problem måste lösas för att lösa den smärtpunkten.
• Den försöker lösa för många problem samtidigt.

En annan knepig fråga är när ett företag försöker lösa ett uppdragskritiskt problem . Med detta menar jag att_ lösningen på problemet har en mycket låg tolerans för fel_ . Till exempel, om felet i ett autonomt fordons AI-programvara är 0,001 %, även om det objektivt sett redan är en mycket låg felfrekvens, är det fortfarande inte acceptabelt. 0,001% betyder att den kan råka ut för en olycka var 1000:e timme den kör och potentiellt orsaka förlust av liv. Tvärtom, om du får fel Amazon- eller Netflix-rekommendation ens bara 1% av tiden, kommer ingen att dö. De potentiella riskerna och avkastningen för uppdragskritiska projekt, såsom självkörande bilar eller medicinska tillämpningar (t.ex. medicinsk diagnos, kirurgiska robotar), är båda större än icke-uppdragskritiska projekt, vilket gör det till en svårare fråga att hantera.

Steg 2:Kommersiell lönsamhet

För mogna företag som spenderar pengar på att utveckla en AI-applikation bör de ha ett robust affärscase för att motivera förskottsinvesteringen. Till exempel vill IBM:s vd Virginia Rometty att IBM Watson ska generera 10 miljarder dollar i årliga intäkter före 2024. För en AI-startup, särskilt om det är förinkomst, är en viktig fråga jag alltid ställer:är marknaden tillräckligt stor stark> för den typ av problem företaget löser? Om företaget till exempel utvecklar en AI-applikation för ett mycket specifikt land i en specifik bransch med en maximal marknadspotential på 1 miljon USD per år, skulle du investera i det?

En annan aspekt du måste tänka på är investeringshorisonten . Djupare AI-teknik tar längre tid att utveckla produkten. Till exempel har Waymo (Googles företag för självkörande fordon) testat denna teknik sedan 2009 och har fortfarande inte släppt en kommersiell produkt. Djupare AI-teknikföretag kan också ta lång tid att få marknadens erkännande och efterföljande investeringsavkastning. Ta Nvidia (NASDAQ:NVDA) som ett exempel. Nvidia levererar de mest populära chipsen, GPU:er, för beräkning av de neurala nätverksalgoritmerna som används i många datorseendeapplikationer, inklusive självkörande bilar. Om man tittar på aktiekursdiagrammet nedan kan man tydligt märka det berömda "S-kurva"-mönstret som du ser i många innovativa företag. Men tajmingen är betydande:om du investerat i Nvidia sedan börsintroduktionen 1999, skulle du inte ha sett den vackra avkastningen förrän efter 2016, när djupinlärning AI blev "på modet".

Steg 3:Teknisk genomförbarhet

Som diskuterats i min andra artikel tror jag att det finns fyra nyckelkomponenter för framgången för en maskininlärningsprodukt (inklusive djupinlärning):väldefinierade och önskvärda problem, rena och välmärkta data, robusta algoritmer och omfattande datorkraft. De tre sista bestämmer den tekniska genomförbarheten för AI-verksamheten. Här kommer jag att kortfattat diskutera vad dessa komponenter betyder och hur man kan genomföra due diligence som investerare.

För det första kräver utvecklingen av en maskininlärningsalgoritm tillgång till rena och välmärkta data. Detta beror på att, som tidigare nämnts, dessa algoritmer byggs genom att olika statistiska modeller matar en stor mängd data som är väl märkta för att etablera de nödvändiga prediktiva sambanden. När du undersöker AI-verksamheten måste du veta om de har tillgång till användbar data, hur de fick det och om de kan fortsätta att få tag på sådan data . Eller, om de inte redan har uppgifterna, vad är deras plan för att samla in sådana uppgifter? Trenden att demokratisera konsumentdata och initiativ som öppen bankverksamhet kommer att ge många möjligheter för nya AI-applikationer.

För det andra måste ett AI-företag utveckla robusta, skalbara algoritmer. För att uppnå det finns det tre måsten:den stora mängden väl märkt data som diskuterats ovan, rätt talang och förtroendet för att djupinlärning är den lämpliga tekniken för att lösa problemet. En nyckelfråga är därför:kan verksamheten attrahera rätt talang ? Topp AI-talanger, särskilt datavetare och ingenjörer och programmerare som redan har erfarenhet av AI, rycks till sig av teknikjättar som Google, Facebook, Microsoft och IBM, vilket lämnar mycket få till andra företag och nystartade företag. För att attrahera topptalanger behöver de inte bara vara beredda att betala rejäla löner (t.ex. anställda på Googles DeepMind-labb tjänar i genomsnitt ~345 000 USD per år), de behöver också en övertygande vision. Dessutom måste du fråga om djupinlärning är den mest lämpliga tekniken för att lösa det kommersiella problemet. Till exempel, för en robo-rådgivare-applikation för privata investerares tillgångsallokering, ett regelbaserat program kan vara mycket billigare att utveckla och lättare att implementera än en algoritm för djupinlärning . Däremot är en maskininlärningsalgoritm med förmågan att lära av tidigare misstag och segrar, och som kan fortsätta att förbättra sig själv, en bättre kandidat för en hedgefondinvesteringsalgoritm. För närvarande är de områden som har uppnått flest genombrott och som är mest lämpade för teknik för djupinlärning naturlig språkbehandling (t.ex. maskinöversättning), datorseende (t.ex. ansiktsigenkänning, förarlösa bilar) och spelande (t.ex. AlphaGo, evolutionärt investeringsbeslut gör).

För det tredje behöver företaget ha förmågan att skaffa sig omfattande datorkraft . Som diskuterats i detalj i min tidigare artikel, är datorkraft från antingen cloud computing eller ens egna GPU-servrar dyrt. Det finns två nyckelfrågor du måste ställa för att vara noggrann i denna aspekt:​​1) Hur mycket datorkraft krävs för den här verksamheten? Finns sådan datorkraft tillgänglig idag? Detta är särskilt viktigt för applikationer som kräver bearbetning i realtid men som bara har begränsat tillgängligt utrymme på själva enheten för att rymma GPU:er och batterier (t.ex. drönare). 2) Har företaget råd med sådan datorkraft? Till exempel berättar Kaifu Lee en intressant historia i sin bok, Artificial Intelligence, att en startup för djupinlärning som han investerade i spenderade 7 miljoner RMB (~1 miljon USD) under de första 3 månaderna bara för att köpa datorservrar för djupinlärning. Han betonar vidare att en typisk träningsuppgift för djupinlärningsmodeller idag kräver en eller flera datorer som har fyra till åtta högkapacitets GPU:er. Många datorseende uppgifter kräver hundratals och tusentals GPU-kluster och avger 10 gånger mer värme än en vanlig server. Några av startteamen inom dessa områden var tvungna att designa om AC-system eller köpa enorma isbitar för att kyla ner servrarna.

Steg 4:Vanliga (och hypebenägna) missförstånd relaterade till AI

1. Vissa företag utvecklar egentligen bara nya digitala företag (t.ex. processautomation för banker) eller regelbaserade icke-maskininlärningsalgoritmer, men hävdar att de är AI , på grund av den uppmärksamhet och bättre värdering som AI-verksamheten får. I din due diligence kan du försöka ta reda på dessa förklädnader genom att ställa frågor till dem som vilken underliggande teknik de använder? Om de inte har anställt ett helt team av datavetare och AI-ingenjörer sedan de hävdar att de använder "AI", antingen genom kontrakt med andra teknikföretag eller internt, kan det vara en röd flagga.
2. Ibland kan maskininlärning + mänskligt ingripande fungera bättre än bara AI. Till exempel, nyligen, bröt det kinesiska översättningsteknikföretaget, iFlytek, en kontrovers när deras förmodade simultanmaskinöversättningsenhet upptäcktes att bara lyssna och kopiera en mänsklig simultanöversättares röst. iFlytek förklarade senare att realtidsöversättning för närvarande inte är möjlig med den hastighet och noggrannhet som krävs. De tror att kombinationen av mänsklig intelligens och maskinintelligens ger den bästa lösningen för resultat.
3. Sistligen, min viktigaste lärdom från min startup-erfarenhet (också en varningsberättelse för blivande entreprenörer och investerare) är att det är stor skillnad mellan vetenskapliga AI-prototyper och kommersiellt skalbara lösningar . Vanligtvis kan en vetenskaplig prototyp utvecklas av en begåvad dataforskare med hjälp av en snabb prototypprogramvara (t.ex. MatLab), på bara några månader med hjälp av till exempel 1000 till 10.000 datapunkter. En kommersiellt skalbar prototyp, som diskuterats tidigare, kräver:1) medel för att anställa AI-specialister (datavetare, arkitekter, mjukvaruingenjörer, produktchefer), 2) utbildningsdatauppsättningar med tiotals miljoner datapunkter, 3) datorprogram (i t.ex. Python, C++, etc.), 4) medel för att köpa datorservrar för djupinlärning eller cloud computing-lösningar på Amazon AWS, Google Cloud, Microsoft Azure, etc.

Steg 5:Finansiella och affärsmässiga mätvärden

Slutligen bör du vara noggrann med AI-verksamhetens ekonomiska statistik och dess icke-finansiella affärsperspektiv och utvärdera det som hur du skulle göra för andra teknikföretag. Se exempelanalysen som illustreras i tabellen nedan.

De traditionella finansiella och icke-finansiella måtten för att värdera verksamheten inkluderar intäkter, nettointäkter/kassaflöden, intäktstillväxttakt, nyckeltal (P/E, P/S, etc), makroekonomi, konkurrenter, reglering, etc. Teknikföretag har också sina egna unika egenskaper. Ett exempel är att tillväxttakten kan vara viktigare än lönsamheten. För tekniska startups i tidiga skeden är användarstatistik som aktiva användare och bokningar viktigare än intäkter eller kassaflöden. Värderingen kan bli högre på grund av efterfrågan på sådana investeringar. Till exempel är P/E-talet för Nvidia (NVDA) på ~30x P/E, medan McDonald's (MCD) handlas till ~20x.

Det finns många investeringsböcker om hur man värderar ett företag så jag ska inte fördjupa mig i det för mycket här. Om det är ett offentligt företag kan du få dessa uppgifter från offentliga anmälningar som finansiella rapporter eller från marknadsdataleverantörer som Google Finance eller Bloomberg. Om det är ett privat företag kan du kontakta företagsledningen för att få nödvändig information.

Slutsats

Sammanfattningsvis, enligt min åsikt tror jag att de mest önskvärda egenskaperna för en AI-investering på kort till medellång sikt (och därför det som gör en bra AI-investering) är:1) att lösa ett väldefinierat önskvärt problem och 2) icke-uppdragskritisk (ingen kommer att dö om det misslyckas). Dessa fall inkluderar områdena smart kundservice som chatbots (inte rent regelbaserade), medicinsk bilddiagnos, ansiktsigenkänning, maskinöversättning, AI finansiella rådgivare, datorspel, etc. Naturligtvis, på lång sikt, de uppdragskritiska problemen med hög risk/hög belöning (t.ex. förarlösa bilar) är priserna många har ögonen på . När du har fastställt att de har ett önskvärt problem att lösa kan du analysera deras kommersiella lönsamhet, tekniska genomförbarhet, finansiell statistik och affärsmått.

Du måste också tänka på de specifika AI-vertikaler du vill investera i. Olika AI-vertikaler har olika brådskande kundefterfrågan och teknologiberedskap, och därför olika investeringsavkastning och risker. Du kan investera i hårdvara vs. mjukvara vs. plattform vs. tjänst, och i olika branscher som finans, utbildning, sjukvård, industri. I en efterföljande artikel kommer jag att diskutera hur du kan börja investera i AI inklusive de mest lovande vertikalerna och teknologierna, investeringsstil (passiv vs. aktiv) och geografi (USA vs. Kina vs. resten av världen).