Investir na Inteligência Artificial Nathan Benaich é sócio da Playfair Capital. A inteligência artificial é uma das oportunidades mais emocionantes e transformadoras do nosso tempo. Do meu ponto de vista como investidor de risco no Playfair Capital. Onde eu me concentro em investir e construir comunidade em torno de AI, vejo isso como um ótimo momento para que os investidores ajudem a construir empresas neste espaço. Existem três razões fundamentais. Em primeiro lugar, com 40 por cento da população mundial agora online, e mais de 2 bilhões de smartphones sendo usados com crescente dependência todos os dias (KPCB), criavam ativos de dados, a matéria-prima para AI, que descrevem nossos comportamentos, interesses, conhecimento, conexões E atividades em um nível de granularidade que nunca existiu. Em segundo lugar, os custos de computação e armazenamento estão a cair por ordens de grandeza, enquanto a capacidade computacional dos processadores de hoje está crescendo, tornando as aplicações AI possíveis e acessíveis. Em terceiro lugar, vimos melhorias significativas recentemente no projeto de sistemas de aprendizagem, arquiteturas e infra-estrutura de software que, em conjunto, prometem acelerar ainda mais a velocidade da inovação. Na verdade, não apreciamos plenamente o que o futuro vai parecer e sentir. Nós também devemos perceber que os produtos orientados a AI já estão fora da natureza, melhorando o desempenho dos mecanismos de busca, sistemas recomendadores (por exemplo, comércio eletrônico, música), veiculação de anúncios e negociação financeira (entre outros). As empresas com recursos para investir em AI já estão criando um ímpeto para que outros sigam ou arriscam não ter um assento competitivo na mesa. Juntos, portanto, a comunidade tem uma melhor compreensão e está equipada com ferramentas mais capazes para construir sistemas de aprendizagem para uma ampla gama de tarefas cada vez mais complexas. Como você pode aplicar tecnologias AI Com uma tecnologia tão poderosa e geralmente aplicável, as empresas AI podem entrar no mercado de maneiras diferentes. Aqui estão seis para considerar, juntamente com exemplos de empresas que escolheram essas rotas: Existem grandes quantidades de dados empresariais e abertos disponíveis em vários silos de dados, seja na web ou na local. Fazer conexões entre estes permite uma visão holística de um problema complexo, a partir do qual novos insights podem ser identificados e usados para fazer previsões (por exemplo, DueDil, Premise e Enigma). Aproveite os conhecimentos do domínio da sua equipe e aborda um problema focado, de alto valor e recorrente, usando um conjunto de técnicas de AI que estendem as insuficiências dos humanos (por exemplo, Sift Science ou Ravelin para detecção de fraude online). Produza estruturas de IA existentes ou novas para engenharia de recursos, otimização de hiperparâmetros, processamento de dados, algoritmos, treinamento de modelo e implantação (entre outros) para uma grande variedade de problemas comerciais (por exemplo, H2O. ai. Seldon e SigOpt). Automatize os processos repetitivos, estruturados, propensos a erros e lentos conduzidos pelos trabalhadores do conhecimento diariamente usando a tomada de decisão contextual (por exemplo, Gluru. X. ai e SwiftKey). Determine robôs e agentes autônomos com capacidade para sentir, aprender e tomar decisões dentro de um ambiente físico (por exemplo, Tesla. Matternet e SkyCatch). Dê uma visão longa e se concentre em pesquisa e desenvolvimento (RampD) para assumir riscos que de outra forma seriam relegados para a academia, mas devido a orçamentos rígidos, muitas vezes não é mais (por exemplo, DNN Research. DeepMind e Vicarious). Veja mais sobre esta discussão aqui. Uma consideração fundamental, no entanto, é que o fornecimento aberto de tecnologias por grandes operadores históricos (Google, Microsoft, Intel, IBM) e a gama de empresas que produzem tecnologias por barato significa que as barreiras técnicas estão se deteriorando rapidamente. O que acaba por mover a agulha são criação de acesso a dados proprietários, talentos experientes e produtos aditivos. Quais os desafios enfrentados pelos operadores e considerados de perto pelos investidores Eu vejo uma série de desafios operacionais, comerciais e financeiros que os operadores e os investidores consideram de perto ao trabalhar no espaço da IA. Aqui estão os principais pontos para manter o topo da mente: como equilibrar a rota RampD a longo prazo com a monetização no curto prazo. Enquanto mais bibliotecas e frameworks estão sendo lançados, ainda há um investimento inicial significativo antes de o desempenho do produto ser aceitável. Os usuários geralmente comparecerão contra um resultado produzido por um ser humano, então é o que você está competindo. O grupo de talentos é superficial: poucos têm a combinação certa de habilidades e experiência. Como você vai conseguir e manter o talento Pense em equilibrar a engenharia com a pesquisa de produtos e projetar no início. Trabalhar em estética e experimentar como uma reflexão tardia equivale a bater batom em um porco. Ainda será um porco. A maioria dos sistemas AI precisa de dados para serem úteis. Como você arranca o seu sistema com muitos dados nos primeiros dias, os produtos AI ainda são relativamente novos no mercado. Como tal, os compradores provavelmente não serão técnicos (ou não terão conhecimentos de domínio suficientes para entender a coragem do que você faz). Eles também podem ser novos compradores do produto que você vende. Portanto, você deve apreciar de perto os passos no ciclo de vendas. Como entregar o produto SaaS, API, código aberto Incluir serviços de consultoria, configuração ou suporte cobrados Você poderá usar aprendizagens de alto nível a partir de dados de clientes para outros. Qual tipo de investidores estão na melhor posição para avaliar o seu negócio? O que? O progresso é considerado o MVP, as publicações, a comunidade de usuários abertos ou a receita recorrente Se você se concentrar no desenvolvimento do produto principal ou trabalhar de perto em projetos personalizados com os clientes ao longo do caminho, considere os ajustes ao levantar o capital para garantir que você não vá ao mercado novamente antes Você alcançou um marco significativo. Construir com o usuário no loop Existem dois grandes fatores que tornam o envolvente do usuário em um produto orientado a AI primordial. Uma, as máquinas ainda não recapitulam a cognição humana. Para escolher onde o software é curto, precisamos chamar o usuário para obter ajuda. E dois, compradores de produtos de software têm mais opções do que nunca. Como tal, eles são freqüentemente inconstantes (a retenção média de 90 dias para aplicativos é de 35%). Retornar o valor esperado da caixa é a chave para construir hábitos (otimização de hiperparâmetros pode ajudar). Aqui estão alguns bons exemplos de produtos que comprovam que o envolvimento do usuário no circuito melhora o desempenho: Pesquisa: o Google usa o autocompletar como forma de entender e desambiguar a intenção da linguagem. Visão: Google Translate ou Mapillary detecção de sinal de trânsito permitem ao usuário corrigir os resultados. Tradução: tradutores da comunidade Unbabel transcrições perfeitas da máquina. Filtros de Spam de Email: Google, novamente. Para o resgate. Podemos até dar um passo adiante, penso, explicando como os resultados gerados pela máquina são obtidos. Por exemplo, a IBM Watson aborda a literatura relevante ao apoiar um diagnóstico de paciente na clínica de oncologia. Isso melhora a satisfação do usuário e ajuda a aumentar a confiança no sistema para incentivar o uso e o investimento a longo prazo. Lembre-se, geralmente é difícil para nós confiar em algo que realmente não entendemos. O que é o clima de investimento da AI como esses dias Para colocar esta discussão em contexto, primeiro olhemos para o mercado global de VC: Q1-Q3 2017 viu 47,2 bilhões investidos, um volume maior do que todo o total total do ano para 17 dos últimos 20 anos (NVCA). É provável que contratem 55 bilhões por ano. Existem cerca de 900 empresas que trabalham no campo da AI, a maioria dos quais aborda problemas em inteligência de negócios, finanças e segurança. O quarto trimestre de 2017 viu uma série de acordos com empresas de AI iniciadas por acadêmicos bem respeitados e alcançados: Vicarious. Inferência Escalonada. MetaMind e Sentient Technologies. Até agora, vimos cerca de 300 negócios em empresas de AI (definidos como empresas cuja descrição inclui palavras-chave como inteligência artificial, aprendizado de máquina, visão por computador, PNL, ciência dos dados, rede neural, aprendizado profundo) de 1º de janeiro de 2017 até 1º de dezembro, 2017 (CB Insights). Nas empresas da U. K como Ravelin, Signal e Gluru levantaram rodadas de sementes. Aproximadamente 2 bilhões foram investidos, embora inchados por grandes dívidas de risco ou linhas de crédito para os provedores de empréstimo de mercado de consumidores Avant (339 milhões de créditos), ZestFinance (150 milhões de dívidas), LiftForward (250 milhões de crédito) e Argon Credit (75 milhões de crédito). Importante, 80 por cento dos negócios foram de 5 milhões de toneladas, e 90 por cento do dinheiro foi investido em U. S. contra 13 por cento na Europa. Setenta e cinco por cento das rodadas estavam nos EUA. Os mercados de financiamento e saída para as empresas AI ainda são incipientes. O mercado de saída viu 33 transações MampA e 1 IPO. Seis eventos foram para empresas européias, 1 na Ásia e o resto foram contabilizados por empresas americanas. As maiores transações foram TellApartTwitter (532 milhões 17 milhões levantados), ElasticaBlue Coat Systems (280 milhões 45 milhões arrecadados) e SupersonicAdsIronSource (150 milhões 21 milhões levantados), que retornam múltiplos sólidos de capital investido. As transações remanescentes foram principalmente para o talento, dado que o tamanho médio da equipe no momento da aquisição era de 7 pessoas. No total, os investimentos da AI terão representado cerca de 5% do total de investimentos de VC para 2017. Isso é superior ao 2% reivindicado em 2017, mas ainda acompanha muito atrás de categorias concorrentes, como adtech, software móvel e de BI. Os principais pontos de viagem são a) os mercados de financiamento e de saída para as empresas de AI ainda são incipientes, como exemplificado pelas pequenas rodadas e volumes baixos, e b) a grande maioria da atividade ocorre nos EUA. As empresas devem, portanto, ter uma exposição a este mercado. Quais problemas ainda precisam ser resolvidos Eu passei uma série de verões na universidade e três anos na escola de graduação pesquisando os fatores genéticos que regem a propagação do câncer ao redor do corpo. Um takeaway chave que deixei é o seguinte: o desenvolvimento terapêutico é muito desafiador, caro, longo e regulamentado e, finalmente, oferece uma solução transitória para o tratamento da doença. Em vez disso, acredito verdadeiramente que o que precisamos para melhorar os resultados da saúde é o monitoramento granular e longitudinal da fisiologia e do estilo de vida. Isso deve permitir a detecção precoce de condições de saúde em tempo quase real, reduzindo o custo dos cuidados ao longo da vida dos pacientes, ao mesmo tempo em que melhora os resultados. Considere os estilos de vida conectados digitalmente que lideramos hoje. Os dispositivos que alguns de nós interagem diariamente são capazes de rastrear nossos movimentos, sinais vitais, exercício, sono e até saúde reprodutiva. Foram desconectados por menos horas do dia do que estavam online e acho menos apreensivo ao armazenar vários tipos de dados na nuvem (onde eles podem ser acessados, com consentimento, por terceiros). Claro, as notícias podem pintar uma história diferente, mas o fato é que ainda estavam usando a web e sua riqueza de produtos. No nível da população, portanto, temos a chance de interrogar conjuntos de dados que nunca antes existiram. A partir destes, podemos descobrir informações sobre como a natureza e a nutrição influenciam a gênese eo desenvolvimento da doença. Aquilo é enorme. Os produtos orientados a AI já estão fora da natureza. Olhe para o modelo clínico de hoje. Um paciente apresenta no hospital quando sente que algo está errado. O médico deve realizar uma bateria de testes para obter um diagnóstico. Esses testes abordam um único ponto de tempo (muitas vezes em fase tardia), momento em que pouco pode ser feito para reverter o dano (por exemplo, no caso de câncer). Agora imagine o futuro. Em um mundo de monitoramento contínuo e não-invasivo de fisiologia e estilo de vida, podemos prever o início e o desfecho da doença, entender qual condição um paciente provavelmente sofre e como eles responderão a várias modalidades terapêuticas. Há muitas aplicações para inteligência artificial aqui: sensores de inteligência, processamento de sinal, detecção de anomalias, classificadores multivariados, aprendizado profundo sobre interações moleculares. Algumas empresas já estão pirateando esse problema: Sano. Monitorar continuamente biomarcadores no sangue usando sensores e software. Enlitic MetaMind Zebra Medical. Sistemas de visão para suporte de decisão (MRICT). Deep Genomics Atomwise. Aprenda, modelo e preveja como a variação genética influencia a saúde e a forma como as drogas podem ser repassadas para novas condições. Flatiron Health. Infraestrutura de tecnologia comum para clínicas e hospitais para processar dados de oncologia gerados a partir da pesquisa. Google. Arquivou uma patente cobrindo uma invenção para extrair sangue sem uma agulha. Este é um pequeno passo para os dispositivos de amostragem utilizáveis. Um ponto que vale a pena notar é que a U. K. tem uma ligeira vantagem na frente de acesso a dados. Iniciativas como o U. K. Biobank (500,000 registros de pacientes), Genomics England (100,000 genomas sequenciados), HipSci (células-tronco) e o programa NHS care. data estão liderando a criação de repositórios centralizados de dados para pesquisa de saúde pública e terapêutica. As empresas sempre poderiam executar-se que a automação habilitada para o conhecimento do trabalho de conhecimento poderia reduzir os custos de emprego em 9 trilhões até 2020 (BAML). Juntamente com os ganhos de eficiência no valor de 1,9 trilhão impulsionados por robôs, considero que há uma chance de automação quase completa das funções principais e repetitivas das empresas no futuro. Pense em todas as ferramentas SaaS produzidas que estão disponíveis na prateleira para CRM, marketing, pagamentos de faturamento, logística, desenvolvimento web, interações com clientes, finanças, contratação e BI. Em seguida, considere ferramentas como Zapier ou Tray. io. Que ajudam a conectar aplicativos e a lógica de negócios do programa. Estes poderiam ser expandidos ao alavancar pontos de dados contextuais que informam a tomada de decisão. Talvez possamos eventualmente reimprimir o novo eBay, onde você terá aquisições de inventário totalmente automatizadas, preços, geração de listagem, tradução, recomendações, processamento de transações, interação com o cliente, embalagem, cumprimento e envio. É claro que isso provavelmente é uma saída. A inteligência artificial é uma das oportunidades mais emocionantes e transformadoras do nosso tempo. Estou ansioso pelo valor a ser criado com inteligência artificial em nossas vidas pessoais e profissionais. Penso que existe atualmente uma baixa tolerância ao risco de VC para este setor, especialmente considerando encurtar os horizontes de investimento para o valor a ser criado. É necessário mais apoio para as empresas que conduzem a inovação a longo prazo, especialmente considerando que muito menos está ocorrendo nas universidades. VC nasceu para financiar moonshots. Devemos lembrar que o acesso à tecnologia, ao longo do tempo, se tornará commoditizado. É, portanto, chave para entender o seu caso de uso, seu usuário, o valor que você traz e como é experimentado e avaliado. Isso chega ao ponto de encontrar uma estratégia para construir uma vantagem sustentável, de modo que outros tenham dificuldade em replicar sua oferta. Os aspectos desta estratégia podem na verdade ser de natureza não-AI e não-técnica (por exemplo, a camada de experiência do usuário). Como tal, renova o foco nos princípios fundamentais: crie uma solução para um problema persistente e de alto valor para os consumidores ou as empresas. Finalmente, você deve ter uma exposição ao mercado dos EUA, onde a participação de leões do valor é criada e realizada. Temos a oportunidade de catalisar o crescimento do setor de AI na Europa, mas não sem manter uma estreita alavanca sobre o que os trabalhos não funcionam em toda a lagoa. Empresa Playfair Recomendações dos analistas para o Twitter As médias móveis Em 15 de junho de 2017, o último preço de negociação do Twitter foi de 15,96. O estoque da empresa estava negociando 8.1 acima da média móvel de 20 dias de 14,77, 3,8 acima da média móvel de 50 dias de 15,38. Foi 1,3 abaixo da média móvel de 100 dias de 16,17. MACD e RSI O MACD (divergência de convergência média móvel) é a diferença entre as médias móveis de curto e longo prazos de uma empresa. Twitters 14 dias MACD de -0,11 mostra uma tendência de negociação para baixo, como o valor é negativo. O índice de resistência relativa de 14 dias (ou RSI) para o Twitter é de 61, o que mostra que o estoque foi um pouco comprado. Se o RSI estiver acima de 70, indica que um estoque foi comprado demais. Uma figura de RSI abaixo de 30 sugere que um estoque foi sobrevendido. Recomendações de analistas Dos 43 analistas que cobrem o Twitter, 13 lhe deram uma recomendação de compra, cinco lhe deram uma recomendação de venda e 25 deram uma recomendação de espera. O objetivo do preço de ações do analista para a empresa é 18,01, com uma estimativa média de 17,50. O Twitter está negociando com um desconto de 8,8 em relação ao seu objetivo médio. Para uma exposição diversificada a empresas de internet selecionadas nos EUA, os investidores podem considerar o ETF da carteira de internet da NASDAQ da PowerShares (PNQI).
No comments:
Post a Comment