Что нужно знать инвесторам об ИИ-стартапах в 2018 году

Искусственный интеллект: цели, применения, двигатели

Искусственный интеллект можно разбить на набор машинных заданий (или целей) и техники для их достижения.

ИИ должен выполнить ряд задач – от идентификации объекта на изображении до управления беспилотными автомобилями. Один из наиболее распространенных методов достижения этих целей – машинное обучение (включая глубинное обучение). Предприятия использовали ИИ с ранних 2000-х, но недавние прорывы в глубоком обучении открыли новую волну компаний, основное предложение которых – ИИ.

Решения, основанные на ИИ, и решения с использованием ИИ – самые передовые применения технологии ИИ сегодня. Первые решают сценарии использования пониженного риска и целиком построены вокруг ИИ. Другими словами, если ИИ не справился с задачей, эти приложения поведут себя как другие стандартные решения на рынке. X.ai – компания, автоматизирующая запись на приемы, отличный пример компании, основанной на ИИ.

С другой стороны, решения с использованием ИИ возможны лишь благодаря недавним прорывам в машинном обучении. Эти решения используют ИИ для предсказания будущих событий или результатов.

Три ключевых двигателя эволюции ИИ:

1. Распространение данных. С ростом IoT и цифровых сервисов генерируется огромное количество цифровых данных.
2. Более быстрая аппаратура. Процессоры, производящие вычисления МО становятся более мощными и дешевыми. Современный обыкновенный процессор в 2002 называли бы самым мощным суперкомпьютером.
3. Лучшие алгоритмы. Открытые программные библиотеки для машинного обучения предоставили разработчикам со всего мира доступ к мощным алгоритмам машинного обучения, ускорив разработку более сложных сценариев использования.

У ИИ огромный потенциал. Бизнесы могут проектировать рост с большей точностью благодаря прогрессу в области прогнозирования в реальном времени. Маркетологи могут продвигать кампании с более высокой конверсией, используя таргетинг и персонализацию. Бренды могут совершенствовать уровень обслуживания при помощи автоматизации и удобства.

Инвестиции и внедрение

За последний год число инвестиций в эту область достигло рекордной отметки – $6 миллиардов в 643 американских ИИ/МО-стартапа в 2017 году; это в 12 раз больше, чем в 2008 году. По оценкам McKinsey, эта сумма составляет лишь небольшую часть от $20-30 миллиардов, потраченных ведущими технологическими компаниями, включая Google и Baidu, на внутренние научно-исследовательские и опытно-конструкторские работы. Однако если более внимательно взглянуть на показатели внедрения ИИ во всех индустриях, можно увидеть удивительное противоречие с цифрами, приведенными выше. По данным опроса Boston Consulting Group, лишь 16% компаний в ведущих экономиках мира внедрили ИИ в один или несколько сценариев использования.

Анализ причин этого разрыва – первый шаг на пути к пониманию, где существуют хорошие возможности для инвестиций в этой области:

1. Парадокс продуктивности. Первая причина существования этого разрыва заключается в классификации ИИ как «технологии для общей цели» – что-то вроде электричества или интернета. Профессор экономики в Чикагском университете Чад Сайверсон объяснил, что чтобы внедрить такие технологии и повысить продуктивность, сначала требуются установка и изобретение дополнительных активов. В общем, у ИИ уйдут годы, если не десятки лет, чтобы стать повсеместным, потому что заинтересованные стороны сперва должны понять и применить технологию в своих конкретных бизнес-кейсах.
2. Горизонтальный (и вертикальный) ИИ. Вторая причина заключается в том, куда прежде поступал инвестиционный капитал. Большая часть инвестиций была направлена на горизонтальный ИИ в противовес вертикальному. Первый стремится демократизировать машинные задания для различных сценариев использования. К числу примеров можно отнести DeepMind Google или стартапы, желающие усовершенствовать обработку речи. Сложность в том, что стартапы проигрывают альтернативам технологических гигантов в вопросах цены и данных. Куда более важно, горизонтальный ИИ не кастомизирует решения и рабочие процессы вокруг ключевой проблемы клиента.

Из-за того, что для внедрения необходимы решения конкретных сценариев использования в бизнесе, и большинство инвестиций направлено на горизонтальный ИИ, возникают интересные возможности для финансирования вертикальных ИИ-решений.

Возможности

Определив секторы, которые получат наибольшую выгоду от внедрения ИИ, и начав сотрудничать с основателями, желающими решить серьезные проблемы индустрии при помощи ИИ/МО, инвесторы могут найти большие и выгодные возможности для финансирования.

Самые перспективные секторы

Инвесторы должны рассматривать рентабельность (и производительность), размер рынка и качество цифровой инфраструктуры индустрии. На приведенном ниже графике отображены отрасли в соответствии с тремя переменными:

Фото: Medium

Размер кругов представляет относительный размер индустрии. Ось X измеряет норму прибыли, ось Y – цифровую зрелость. Этот индекс, предложенный McKinsey, отображает качество и масштаб цифровых данных, который генерирует каждый сектор.

Ключевой вывод – огромные рынки энергетики и здравоохранения, вероятнее всего, будут подорваны ИИ, поскольку качество их цифровой инфраструктуры продолжает улучшаться.

Здравоохранение: Расходы на здравоохранение в США составили $3,3 трлн в 2016 году, представив таким образом огромную возможность для экономии средств с помощью ИИ в секторе. По данным опроса McKinsey, компании, которые первыми внедрят ИИ, увеличат коэффициенты прибыльности на пять процентов к 2020 году посредством автоматизации трудозатратных рабочих процессов.

• Рекомендации: Существуют огромные возможности для молодых компаний, которые занимаются изобретением лекарств и проведением клинических испытаний. Ускоренная разработка медикаментов чрезвычайно важна для фармацевтических компаний, и можно ожидать повышенное число слияний и поглощений, поскольку большие игроки стремятся сгладить структурную неэффективность в научных открытиях и клинических испытаниях.

Энергетика: Расходы на энергетику в США составили в 2016 году $1 трлн, представив таким образом еще одну многообещающую возможность для подрыва ИИ. Недавний прогресс в умных энергетических системах, IoT и технологиях хранения энергии в дальнейшем дигитализирует индустрию, которая исторически переживала трудности с доступностью данных.

• Рекомендация: Наибольшим потенциалом для ИИ обладает нефтегазовый сектор, учитывая капиталоемкий характер области и возможность комбинировать геологические данные с историческими данными о производстве. По оценкам Goldman Sachs, однопроцентное улучшение в области затрат на инвентарь и производство, обусловленное ИИ, позволит сэкономить $140 миллиардов за десятилетний период.

Вертикальные бизнес-модели ИИ для успеха

Сбора и унификации данных теперь недостаточно, чтобы опережать конкурентов в ИИ. Рост решений, основанных на ИИ, и решений с использованием ИИ требует изменения парадигмы того, как инвесторы оценивают защищенность продукта. Инвесторы должны учитывать следующие факторы:

1. Full-stack продукт. Предлагает ли компания полностью интегрированное, full-stack решение основной проблемы индустрии? Уделяя одинаково большое внимание всем стадиям процесса – от пользовательского интерфейса до лежащих в основе моделей машинного обучения и функциональности, вертикальные ИИ-стартапы могут более эффективно улучшить собственные алгоритмы.
2. Опыт в машинном обучении и предметной области. Команда основателей состоит из экспертов в области анализа данных и предметной области? Такая комбинация особенно важна в высокорискованных сценариях использования – например, в здравоохранении и энергетике, где для масштабирования необходимо доверие между клиентами и менеджментом.
3. Собственные данные. Создала ли компания ценный актив данных, который сложно повторить?

Источник.

Материалы по теме:

30 самых удивительных проектов по машинному обучению

10 китайских стартапов, за которыми стоит следить в 2018 году

Почему я не инвестирую в искусственный интеллект: исповедь инвестора

Кто извлечет максимальную пользу из искусственного интеллекта: корпорации, стартапы, страны?