Een ander aspect waarmee u rekening moet houden, is de investeringshorizon . Diepere AI-technologie duurt langer om het product te ontwikkelen. Waymo (Google's bedrijf voor autonoom rijdende voertuigen) test deze technologie bijvoorbeeld sinds 2009 en heeft nog steeds geen commercieel product uitgebracht. Diepere AI-technologiebedrijven kunnen er ook lang over doen om de marktherkenning en het daaropvolgende investeringsrendement te krijgen. Neem Nvidia (NASDAQ:NVDA) als voorbeeld. Nvidia levert de meest populaire chips, GPU's, voor het berekenen van de neurale netwerkalgoritmen die worden gebruikt in veel computervisietoepassingen, waaronder zelfrijdende auto's. Als je naar de onderstaande aandelenkoersgrafiek kijkt, kun je duidelijk het beroemde "S-curve" -patroon zien dat je in veel innovatieve bedrijven ziet. Maar de timing is belangrijk:als je sinds de beursgang in 1999 in Nvidia had geïnvesteerd, zou je het mooie rendement pas na 2016 hebben gezien, toen deep learning AI "in de mode" werd.

Stap 3:Technische haalbaarheid

Zoals besproken in mijn andere artikel, geloof ik dat er vier belangrijke componenten zijn voor het succes van een machine learning (inclusief deep learning) product:goed gedefinieerde en wenselijke problemen, schone en goed gelabelde gegevens, robuuste algoritmen en uitgebreide rekenkracht. De laatste drie bepalen de technische haalbaarheid van de AI-business. Hier zal ik kort bespreken wat deze componenten inhouden en hoe je als belegger due diligence kunt doen.

Ten eerste vereist het ontwikkelen van een machine learning-algoritme toegang tot schone en goed gelabelde gegevens. Dit komt omdat, zoals eerder vermeld, deze algoritmen zijn gebouwd door verschillende statistische modellen een grote hoeveelheid gegevens te geven die goed zijn gelabeld om de nodige voorspellende relaties vast te stellen. Terwijl u de AI-business onderzoekt, moet u weten of ze toegang hebben tot bruikbare gegevens, hoe ze deze hebben verkregen en of ze dergelijke gegevens kunnen blijven verkrijgen . Of, als ze de gegevens nog niet hebben, wat is dan hun plan om dergelijke gegevens te verzamelen? De trend om consumentendata te democratiseren en initiatieven zoals open banking zullen veel kansen bieden voor nieuwe AI-toepassingen.

Ten tweede moet een AI-bedrijf robuuste, schaalbare algoritmen ontwikkelen. Om dat te bereiken zijn er drie must-haves:de grote hoeveelheid goed gelabelde data die hierboven is besproken, het juiste talent en het vertrouwen dat deep learning de geschikte technologie is om het probleem op te lossen. Een belangrijke vraag is daarom:kan het bedrijf het juiste talent aantrekken ? Top AI-talent, met name datawetenschappers en ingenieurs en programmeurs die al ervaring hebben met AI, worden opgepikt door techreuzen zoals Google, Facebook, Microsoft en IBM, waardoor er maar weinig overblijft voor andere bedrijven en startups. Om toptalent aan te trekken, zouden ze niet alleen bereid moeten zijn om forse salarissen te betalen (bv. werknemers van het DeepMind-lab van Google verdienen gemiddeld ~ US $ 345.000 per jaar), ze hebben ook een overtuigende visie nodig. Daarnaast moet je je afvragen of deep learning de meest geschikte technologie is om het commerciële probleem op te lossen. Voor een robo-adviseurtoepassing voor de assetallocatie van retailbeleggers kan een op regels gebaseerd programma bijvoorbeeld veel minder kostbaar zijn om te ontwikkelen en gemakkelijker te implementeren dan een deep learning-algoritme . Daarentegen is een algoritme voor machinaal leren met het vermogen om te leren van fouten en overwinningen uit het verleden, en dat zichzelf kan blijven verbeteren, een betere kandidaat voor een algoritme voor het beleggen van hedgefondsen. Momenteel zijn de gebieden die de meeste doorbraken hebben bereikt en die het meest geschikt zijn voor deep learning-technologieën, natuurlijke taalverwerking (bijv. machinevertaling), computervisie (bijv. gezichtsherkenning, auto's zonder bestuurder) en gamen (bijv. AlphaGo, evolutionaire investeringsbeslissingen). maken).

Ten derde moet het bedrijf in staat zijn om uitgebreide rekenkracht te verwerven . Zoals in mijn vorige artikel in detail is besproken, is rekenkracht van cloud computing of de eigen GPU-servers kostbaar. Er zijn twee belangrijke vragen die u moet stellen voor dit aspect:1) Hoeveel rekenkracht is een typische taak die nodig is voor dit bedrijf? Is dergelijke rekenkracht tegenwoordig beschikbaar? Dit is vooral belangrijk voor toepassingen die realtime verwerking vereisen, maar slechts beperkte beschikbare ruimte op het eigenlijke apparaat hebben voor GPU's en batterijen (bijvoorbeeld drones). 2) Kan het bedrijf zich dergelijke rekenkracht veroorloven? Kaifu Lee vertelt bijvoorbeeld een interessant verhaal in zijn boek, Artificial Intelligence, dat een deep learning-startup waarin hij heeft geïnvesteerd in de eerste drie maanden 7 miljoen RMB (~1 miljoen USD) heeft uitgegeven om alleen deep learning-computerservers te kopen. Hij benadrukt verder dat een typische trainingstaak van een deep learning-model tegenwoordig een of meerdere computers vereist met vier tot acht GPU's met hoge capaciteit. Veel computer vision-taken vereisen honderden en duizenden GPU-clusters en stoten 10x meer warmte uit dan een normale server. Sommige startup-teams op deze gebieden moesten AC-systemen opnieuw ontwerpen of enorme brokken ijs kopen om de servers af te koelen.

Stap 4:Veelvoorkomende (en hype-gevoelige) misverstanden met betrekking tot AI

1. Sommige bedrijven ontwikkelen eigenlijk gewoon nieuwe digitale bedrijven (bijv. procesautomatisering voor banken), of op regels gebaseerde niet-machine learning-algoritmen, maar beweren dat ze AI zijn , vanwege de aandacht en betere waardering die AI business krijgt. Tijdens uw due diligence kunt u proberen deze vermommingen te achterhalen door hen vragen te stellen, zoals welke onderliggende technologieën ze gebruiken? Als ze niet een heel team van datawetenschappers en AI-ingenieurs hebben ingehuurd sinds ze beweren dat ze "AI" gebruiken, hetzij via contracten met andere technologiebedrijven of intern, dan kan dat een rode vlag zijn.
2. Soms kunnen machine learning + menselijke interventie beter werken dan alleen AI. Onlangs brak bijvoorbeeld het Chinese bedrijf voor vertaaltechnologie, iFlytek, een controverse uit toen werd ontdekt dat hun zogenaamd simultaan machinevertaalapparaat alleen maar luisterde en de stem van een menselijke simultaanvertaler kopieerde. iFlytek legde later uit dat realtime vertaling momenteel niet mogelijk is met de vereiste snelheid en nauwkeurigheid. Ze denken dat de combinatie van menselijke en machine-intelligentie de beste oplossing voor resultaten oplevert.
3. Ten slotte is mijn belangrijkste les die ik heb geleerd van mijn startup-ervaring (ook een waarschuwing voor aspirant-ondernemers en investeerders) dat er een groot verschil is tussen wetenschappelijke AI-prototypes en commercieel schaalbare oplossingen . Doorgaans kan een wetenschappelijk prototype door één getalenteerde datawetenschapper worden ontwikkeld met behulp van quick prototyping-software (bijvoorbeeld MatLab), in slechts enkele maanden met bijvoorbeeld 1000 tot 10.000 datapunten. Een commercieel schaalbaar prototype, zoals eerder besproken, vereist:1) geld om AI-specialisten in te huren (datawetenschappers, architecten, software-engineers, productmanagers), 2) trainingsdatasets met tientallen miljoenen datapunten, 3) computerprogramma (in b.v. Python, C++, enz.), 4) fondsen om deep learning-computerservers of cloud computing-oplossingen te kopen op Amazon AWS, Google Cloud, Microsoft Azure, enz.

Stap 5:Financiële en zakelijke statistieken

Ten slotte moet u de financiële statistieken en de niet-financiële zakelijke perspectieven van de AI-business bestuderen en deze evalueren zoals u zou doen voor andere technologiebedrijven. Zie de voorbeeldanalyse zoals geïllustreerd in de onderstaande tabel.

De traditionele financiële en niet-financiële maatstaven om het bedrijf te waarderen omvatten omzet, netto-inkomen/kasstromen, omzetgroeipercentage, ratio's (P/E, P/S, etc), macro-economie, concurrenten, regelgeving, etc. Techbedrijven hebben ook hun eigen unieke kenmerken. Een voorbeeld is dat de groeisnelheid belangrijker kan zijn dan de winstgevendheid. Voor beginnende tech startups zijn gebruikersstatistieken zoals actieve gebruikers en boekingen belangrijker dan inkomsten of cashflows. De waarderingen kunnen hoger zijn vanwege de vraag naar dergelijke beleggingen. De P/E-ratio voor Nvidia (NVDA) ligt bijvoorbeeld op ~30x P/E, terwijl McDonald's (MCD) op ~20x handelt.

Er zijn veel investeringsboeken over het waarderen van een bedrijf, dus daar ga ik hier niet te diep op in. Als het een beursgenoteerd bedrijf is, kunt u deze details verkrijgen uit openbare deponeringen zoals financiële rapporten, of van aanbieders van marktgegevens zoals Google Finance of Bloomberg. Als het een particulier bedrijf is, kunt u contact opnemen met het bedrijfsmanagement voor de nodige details.

Conclusie

Samenvattend vind ik naar mijn mening de meest wenselijke eigenschappen voor een AI-investering op de korte tot middellange termijn (en dus wat een goede AI-investering is), zijn:1) het oplossen van een welomschreven wenselijk probleem en 2) niet-mission-critical (niemand gaat dood als het faalt). Deze gevallen omvatten de gebieden van slimme klantenservice zoals chatbots (niet puur op regels gebaseerd), medische beelddiagnose, gezichtsherkenning, machinevertaling, AI financiële adviseurs, computergaming, enz. Natuurlijk, voor de lange termijn, de missiekritieke problemen met hoog risico/hoge beloning (bijv. auto's zonder bestuurder) zijn de prijzen waar velen naar op zoek zijn . Als je eenmaal hebt vastgesteld dat ze een wenselijk probleem hebben om op te lossen, kun je hun commerciële haalbaarheid, technische haalbaarheid, financiële statistieken en bedrijfsstatistieken analyseren.