Tags: translation vc machine-learning ai
Categories: None

Это мой перевод статьи с TechCrunch - Investing In Artificial Intelligence. Сама статья не сказал бы, что сверх полезная, я её переводил по большей части в качестве тренировки. Хотя этот текст вполне может дать предеставление и рынке машинного обучения и основных игроках.

===

Искусственный интеллект (Далее AI или машинное обучение) - это одна из самых захватывающих трансформирующих возможностей в наше время. С моей точки зрения, как венчурного инвестора Playfair Capital, где я сфокусировался на инвестициях и построении сообщества вокруг AI, я вижу хорошее время для инвесторов, чтобы помочь построить компании в этой области. Для этого существует три основные причины.

Во-первых, 40 процентов населения Земли на данный момент онлайн, больше 2-х млрд. смартфонов используются ежедневно, со все возрастающей зависимостью (KPCB). Мы генерируем данные, сырой материал для AI, который описывает наше поведение, интересы, знания, связи и активности на таком уровне детализации, которого никогда еще не существовало.

Во-вторых, стоимость вычислительных ресурсов и стоимость хранения данных упали в несколько раз, в то время как вычислительная мощность процессоров растет, делая приложения в области AI более возможными и доступными.

В-третьих, в настоящее время мы увидели значительные улучшения в дизайне систем машинного обучения и инфраструктуры вокруг них, что совместно обещает дать развитие в скорости инноваций. В самом деле, мы не можем в полной мере представить, то как будем выглядеть и чувствовать себя завтра.

Мы также должны понимать, что эти продукты в области AI уже вышли в реальный мир, улучшая выдачу поисковых систем, рекомендательных систем (например, e-commerce, музыка), показ рекламы и финансовый трейдинг.

Компании с ресурсами, позволяющими вкладывать в AI создают импульс для всех остальных, которым остается или следовать их примеру или потерять конкурентное преимущество. Из этого следует, что именно сообщество будет иметь лучшее понимание и будет оснащено большим количеством инструментов для построения систем машинного обучения, которые будут решать все больше и больше сложных задач.

Как можно применять системы машинного обучения?

С такой мощной и всеохватывающей технологией, компании в области AI могут выходить на рынок разными путями. Рассмотрим шесть примеров бизнесов:

  • Существует огромное количество как корпоративных, так и открытых данных. Создание связей между этими данными позволяет дать целостное видение сложной проблемы, выявить новые идеи и создавать предсказания (Например, DueDil, Premise и Enigma).
  • Усильте экспертные знания вашей команды направив решение фокусированной, дорогой и повторяющейся проблемы системе машинного обучения (например, Sift Science or Ravelin для обнаружения мошенничества).
  • Упаковывайте существующие или новые AI-техники в коммерческие продукты, такие как hyperparameter optimization, feature engineering, обработка данных и различные алгоритмы для решения широкого спектра коммерческих задач (например, H2O.ai, Seldon и SigOpt).
  • Автоматизируйте повторяющиеся, структурированные, подверженные ошибкам и медленные процессы, происходящие ежедневно в определенных контекстах (например, Gluru, x.ai и SwiftKey).
  • Обеспечьте роботам и автономным агентам возможность воспринимать, обучаться и принимать решения в рамках физической среды (например, Tesla, Matternet и SkyCatch).
  • Возьмите широкую перспективу и сфокусируйтесь на R&D в области AI (например, DNN Research, DeepMind и Vicarious).

Больше о типах компаний читайте в этой дискуссии. Однако, ключевым фактором является открытие технологий крупными игроками (Google, Microsoft, Intel, IBM) и рядом компаний, упаковывающих технологии для удешевления, что в итоге может быстро разрушить технические барьеры.

С какими трудностями сталкиваются компании и инвесторы

Я вижу ряд операционных, коммерческих и финансовых проблем, стоящих перед компаниями и дружественными им инвесторами, работающими в области AI. Вот основные моменты:

Операционные

  • Как сохранить баланс между долгим R&D циклом и краткосрочной монетизацией? Пока большинство библиотек и фремворков не вышло в релиз, все еще необходимы первоначальные инвестиции прежде чем качество этих продуктов станет приемлемой.
  • Кадровый потенциал мелок: у немногих кандидатов есть необходимое сочетание навыков и опыта. Откуда брать и как удерживать специалистов?
  • Подумайте об инженерном балансе в исследовательской работе и дизайном системы на ранней стадии. Работа над эстетикой и UX может быть совершенно не нужна.
  • Большинство систем машинного обучения требуют начальных данных для обучения. На каких данных обучать систему в самом начале?

Коммерческие

  • AI-продукты все еще относительно новы на рынке. Также покупатели будут скорее всего не технологическими компаниями (или недостаточно хорошо осведомлены для понимания внутренних механизмов того что вы делаете). Так же это могут быть новые покупатели вашего продукта. Отсюда вы должны внимательно оценить шаги в цикле продаж.
  • Как доставлять ваш продукт? SaaS, API, open source?
  • Включать плату за консалтинг, настройку и поддержку?
  • Будете ли вы использовать результаты обработки клиентских данных для других?

Финансовые

  • Какой тип инвесторов имеют лучшую позицию для оценки вашего бизнеса?
  • Какой прогресс считается достаточным для инвестиций? MVP, публикации, open source сообщество или стабильная выручка?
  • Вы должны сосредоточиться на основном продукте или тесно сотрудничать с клиентами, создавая заказные проекты?
  • Во время привлечения инвестиций подумайте о буфере, чтобы не получилась ситуация выхода на рынок без достижения значимого этапа в развитии продукта.

Построение продукта вместе с пользователем

Есть два больших фактора, из-за которых пользователи все равно будут вовлечены в AI-продукт. Во-первых, компьютеры все еще не заменяют человеческую способность распознавания. Чтобы ПО заработало правильно пользователь должен помочь ему. Во-вторых, сейчас у покупателей и пользователей программных продуктов больше выбора, чем, когда бы то ни было. Так же они часто непостоянны (В среднем 90 дневный период удержания - 35%).

Подтверждение ожиданий пользователей из коробки - это ключ к построению привычек. Вот несколько примеров продуктов, доказывающих как вовлечение пользователей улучшает качество:

  • Поиск. Google использует автодополнение как способ для понимания и разрешения неоднозначности в намерениях пользователей при написании запросов.
  • Видение. Google Translate и распознавание дорожных знаков от Mapillary дает возможность пользователям корректировать результаты.
  • Перевод. Сообщество Unbabel улучшает машинный перевод.
  • Спам фильтры. Снова же Google.

Мы даже можем пойти на шаг дальше, и подумать, как получают машинно-генерируемые результаты. К примеру, IBM Watson использует соответствующую литературу, чтобы вести диагностику пациентов в онкологической клинике. Это повышает удовлетворенность пользователей и помогает построить доверительные, что в итоге сказывается на долгосрочном использовании и инвестициях. Помните, что нам трудно доверять чему бы то ни было, что мы до конца не понимаем.

Как обстоят дела с инвестиционным климатом в настоящее время?

Для того чтобы поместить наши дискуссию в контекст, давайте первым делом посмотрим на глобальный рынок: в первых 3-х кварталах 2015-го года мы видим $47.2 млрд. инвестиций, объем больший чем объем каждого года в течение 17-и лет из прошедших 20-и лет.

Мы вероятно достигнем $55 млрд. к концу года. По грубым оценкам сейчас над AI работают порядка 900 компаний, большинство из которых решают задачи улучшения в бизнесе, сфере финансов и безопасности. В 4-м квартале 2014-го мы видим шквал сделок на рынке AI компаний основанных уважаемыми и признанными людьми из академической среды: Vicarious, Scaled Inference, MetaMind и Sentient Technologies.

До сих пор мы видели около 300 сделок в AI компаниях (это бизнесы, которые можно охарактеризовать следующими ключевыми словами: искусственный интеллект, машинное обучение, компьютерное зрение, NLP, обработка данных, нейронные сети, глубокое обучение) с 1 января 2015 до 1 декабря 2015 (CB Insights).

В U.K. компании типа Ravelin, Signal and Gluru получили seed-раунды инвестиций. Приблизительно $2 млрд. было проинвестировано, хотя цифры раздуты большими венчурными долгами или кредитными линиями: Avant ($339 млн. долг+кредит), ZestFinance ($150 млн. долг), LiftForward ($250 млн. кредит) и Argon Credit ($75 млн. кредит). Важно, что 80 процентов сделок были меньше $5 млн. и 90 процентов наличности было проинвестировано в американские компании против 13-и процентов в европейские. 75 процентов раундов были проведены в США.

Экзит маркет - 33 сделки слияния и поглощения (M&A) и 1 IPO. Шесть событий в европейских компаниях, одно событие и Азии, а остальные - это Американские компании. Самая крупная сделка - это TellApart/Twitter ($532 million; $17 million raised), Elastica/Blue Coat Systems ($280 million; $45 million raised) and SupersonicAds/IronSource ($150 million; $21 million raised). Оставшиеся сделки были по большей части из-за команды, учитывая, что средний размер команды на момент приобретения был 7 человек.

В целом инвестиции в AI составляют 5 процентов от общих венчурных инвестиций за 2015-й год. Это больше чем 2 процента в 2013-м, но все еще позади других сфер, таких как рекламные технологии, мобильный сектор и т.д.
Ключевые пункты: а) финансовый и экзит маркет для AI компаний все еще зарождается, что показывают небольшие раунды и малые объемы сделок б) подавляющее большинство деятельности происходит в американских компаниях и направлена на американский рынок.

Какие проблемы остаются нерешенными?

Здравоохранение

Я потратил несколько лет в университете и три года в аспирантуре исследуя основные генетические факторы распространения рака в теле. Ключевая мысль, которую я вынес - следующая: терапевтическое развитие очень сложное, дорогое и долгое и в конечном счете предлагает кратковременное избавление от болезни.

Вместо этого, я искренне верю в то, что нам надо улучшать здравоохранение путем мониторинга и контроля физиологии и образа жизни. Это позволит выявлять проблемы в здоровье на ранней стадии и почти в реальном времени, тем самым снижая стоимость лечения в течение всей жизни пациента.

Рассмотрим, как технологии влияют на наш стиль жизни сегодня. Устройства, с которыми мы можем взаимодействовать ежедневно измеряют уровень нашей двигательной активности, снимают жизненные показатели, наблюдают за сном и даже следят за репродуктивными циклами. Мы находимся не в сети всего несколько часов в день, все остальное время мы онлайн, и я думаю мы уже меньше беспокоимся о хранении различных наших данных в облаке (Которые могут с разрешения передать третьим лицам). Конечно, новости могут рисовать и другие картины, но факт в том, что мы все еще используем сеть и её богатство продуктов.

Поэтому у нас есть шанс попросить часть этих данных об их здоровье. Такой информации не было никогда раньше. Из этих данных мы могли бы узнать больше о происхождении и развитии болезней. Это имело бы большое значение.

Посмотрим на текущие клинические модели. Пациент приходит в госпиталь если с ним что-то не так. Доктор должен провести серию тестов, чтобы поставить диагноз. Эти тесты проводятся в одной временной точке (зачастую уже на поздней стадии), скорее всего, когда уже нанесен определенный ущерб здоровью (например, в случае рака).

А теперь представим будущее. В мире с постоянным, не инвазивным мониторингом физиологии и образа жизни, мы можем предсказывать начало болезни и её развитие, знать предрасположенности пациента (например, чем он болел ранее) и исходя их этого применять различные терапевтические модели. Все это приводит AI-приложения у следующему: умные датчики, обработка сигналов, выявление аномалий, мультивариацонная классификация, глубокое обучение в молекулярных взаимодействиях.

Некоторые компании уже сейчас пытаются решать эти проблемы:

  • Sano: Постоянный мониторинг био-маркеров в крови используя датчики и программное обеспечение.
  • Enlitic/MetaMind/Zebra Medical: Системы видения для поддержки принятия решений (MRI/CT).
  • Deep Genomics/Atomwise: Обучение, моделирование и предсказание как генетические изменения влияют на здоровье/болезнь и как лекарства могут быть перепрофилированы под новые условия.
  • Flatiron Health: Общая технология инфраструктуры для клиник и госпиталей для обработки онкологических данных, полученных из исследований.
  • Google: Получен патент на устройство для забора крови без иглы. Это небольшой шаг к носимым устройствам.

Небольшое замечание, которое стоит сделать, у Великобритании есть небольшое преимущество в доступе к данным. Инициативы вроде U.K. Biobank (500,000 записей пациентов), Genomics England (100,000 последовательностей), HipSci (стволовые клетки) и NHS care.data program - это главный путь к созданию централизованных репозиториев данных для публичных терапевтических исследований.

Корпоративная автоматизация

Может ли бизнес сам себя поддерживать? Автоматизация экспертной работы, с помощью AI, может сократить $9 триллионов к 2020 (BAML). Вместе с эффективной ценностью равной $1.9 млрд., которую принесет роботизация, я считаю, что это шанс для почти полной автоматизации основных, повторяемых функций бизнеса в будущем.

Подумайте обо всех продуктовых SaaS инструментах, доступных из коробки для CRM, маркетинга, биллинга/платежей, логистики, веб разработки, взаимодействия с пользователями, финансов, подбора персонала и т.д. Теперь посмотрите на инструменты вроде Zapier или Tray.io, которые помогают связать различные приложения и бизнес логику. Подобные сервисы должны проникать еще дальше, покрывая больше точек данных, которые дают информацию о принятии решений.

Возможно мы в конечном счете сможем представить себе новый eBay, где будет полностью автоматизированные транзакции, рекомендации, процессинг, взаимодействие с клиентами, упаковка, приобретение инвентаря, сборка заказов и доставка. Конечно, вероятно, до этого еще далеко.

Я оптимистично настроен на то какую ценность принесет AI в нашу персональную и профессиональную жизнь. Я думаю, что сейчас восприятие к венчурному риску для этого сектора достаточно низка, особенно учитывая сокращающиеся инвестиционный горизонты. Больше поддержки необходимо для компаний с длинным инновационным циклом, особенно в случае университетов. Венчурные инвестиции были рождены, чтобы финансировать moonshots [О термине moonshots]

Мы должны помнить, что доступ к этим технологиям через некоторое время станет коммерционализированным. Это ключ к пониманию ваших бизнес-кейсов, ваших пользователей и создаваемой вами ценности. Это дает понимание стратегии создания устойчивого преимущества, которое будет сложно повторить.

Аспекты этой стратегии по факту не технические (например, слой UX). Также это изменяет фокус основных принципов: построить решение для нерешенных, дорогостоящих и постоянных проблем клиентов или бизнеса.

В итоге вы должны иметь влияние на рынке в США, где происходит создание львиной доли ценности. Так же мы хотим иметь возможность катализировать рост AI сектора в Европпе.

comments powered by Disqus