エグゼクティブサマリー

AIへの投資を精査するために必要な5つのこと：

• 顧客の望ましさ（このビジネスは価値のある顧客の問題を解決していますか？）
• 商業的実行可能性（ビジネスは十分なお金を稼ぐでしょうか？）
• 技術的実現可能性（実際に大規模に機能するか？）
• AIに関連する一般的な（そして誇大広告が発生しやすい）誤解
• 財務およびビジネスの指標

顧客の望ましさの勤勉さ：

• まず、次の質問をする必要があります。ビジネスがAIテクノロジーで解決しようとしている問題は何ですか。
• AIビジネスは、次の場合には望ましくありません。（a）あまり多くの人が気にかけない、またはお金を払えない問題をターゲットにしている、（b）問題点をターゲットにしているが、その問題点に対処するには解決する必要のある問題が多すぎる、および（c）同時に多くの問題を解決しようとしています。
• トリッキーな問題は、企業がミッションクリティカルな問題を解決しようとしている場合に関連します。つまり、問題の解決にはエラーに対する許容度が非常に低くなります。自動運転車や医療アプリケーションなどのミッションクリティカルなプロジェクトの潜在的なリスクとリターンは、どちらもミッションクリティカルでないプロジェクトよりも大きく、処理が難しい問題になっています。

商業的実行可能性の勤勉さ：

• AIアプリケーションの開発にお金を費やしている成熟した企業は、先行投資を正当化するための強力なビジネスケースを持っている必要があります。
• AIスタートアップにとって、特にそれが収益前の場合、重要な問題は、 ターゲットアドレス可能な市場 十分な大きさです。
• 考慮しなければならないもう1つの側面は、AIテクノロジーの開発に時間がかかるため、投資期間です。

技術的実現可能性の勤勉さ：

• 機械学習アルゴリズムを開発するには、クリーンで適切にラベル付けされたデータにアクセスする必要があります。したがって、使用可能なデータにアクセスできるかどうか、どのように取得したか、およびそのようなデータを引き続き取得できるかどうかを知る必要があります。
• AIビジネスは、堅牢でスケーラブルなアルゴリズムを開発する必要があります。これを実現するには、3つの必須要素があります。それは、上記で説明した大量の適切にラベル付けされたデータ、適切な才能、そして機械学習が問題を解決するのに適したテクノロジーであるという自信です。
• AIビジネスには、広範なコンピューティング能力を獲得する能力が必要です。したがって、2つの重要な質問があります。1）このビジネスに必要な一般的なタスクはどれくらいの計算能力ですか。そのような計算能力は今日利用可能ですか？ 2）企業はそのようなコンピューティング能力を買う余裕がありますか？

AIに関連する一般的な（そして誇大広告が発生しやすい）誤解：

• 一部の企業は、実際には新しいデジタルビジネス、またはルールベースの非機械学習アルゴリズムを開発しているだけですが、AIビジネスの注目と評価の向上により、AIであると主張しています。デューデリジェンスの際には、採用されている基盤となるテクノロジーの詳細を尋ねる必要があります。会社がデータサイエンティストとAIエンジニアのチーム全体を採用していない場合は、疑わしいはずです。
• 昔ながらの人間の介入と組み合わせた機械学習は、AIだけでなくうまく機能する場合があります。
• 科学的なAIプロトタイプと商業的にスケーラブルなソリューションには大きな違いがあります。通常、科学的なプロトタイプは、1人の才能のあるデータサイエンティストが、わずか数か月で迅速なプロトタイピングソフトウェアを使用して開発できます。代わりに、商業的にスケーラブルなプロトタイプには、多額の資金、大量のデータへのアクセス、高度でスケーラブルなアルゴリズム、および強力な人材へのアクセスが必要です。

で 前の投稿 、私は、宇宙でお金を稼ぐことに興味のある投資家のために、AIの分野に関する基本的な入門書を学びました。特に、より多くの情報に基づいた投資決定を行うために、各投資家が知っておくべきいくつかの重要な要素について説明しました。

• AIとは何ですか？
• 現在のAIの波の何が特別なのですか？
• AIアプリケーションを成功させるための4つの重要な要素は何ですか？

議論されたように、世界はこのトピックへの関心の爆発を目撃しました。そして当然のことながら、投資額も同様の道をたどっています。による CBインサイト 、AIスタートアップへの取引とドルは、2012年以降増加しており、2016年には投資資本が60％増加して50億ドルになりました。 Statista 2017年には、世界のAIスタートアップが152億ドルの投資を受け取り、2016年から300％の指数関数的に増加したと推定されています。さらに、大手ハイテク企業はAIレースで前進するためにAIスタートアップを奪っています。

このフォローアップ投稿は、次のような投資家のためのより実用的なガイドとなることを目的としています。 投資見通しの評価 空間で。特に、AI関連の投資を評価するための5つの重要なステップを実行します。

1. 顧客の望ましさ（このビジネスは価値のある顧客の問題を解決していますか？）
2. 商業的実行可能性（ビジネスは十分なお金を稼ぐでしょうか？）
3. 技術的実現可能性（実際に大規模に機能するか？）
4. AIに関連する一般的な（そして誇大広告が発生しやすい）誤解
5. 財務およびビジネスの指標

注意：私はいくつかの有名な上場企業の例を使用します。私は、読者がこれらの会社に投資することを推奨または阻止しません。

高レベルの設計ドキュメントのサンプル

ステップ1：顧客の望ましさ

私の考えでは、 このステップは最も重要です この記事で概説されている5つのうち。まず、自問する必要があります- ビジネスはAIテクノロジーでどのような問題を解決しようとしていますか？ たとえば、自動運転車は、安全性や利便性などを向上させることで、モビリティエクスペリエンスを向上させることができます。機械翻訳により、人間同士のコミュニケーションが容易になります。対照的に、次の場合、AIビジネスは望ましくありません。

• それは、多くの人が気にかけない、またはお金を払うことができない問題を対象としています。
• これは問題点を対象としていますが、その問題点に対処するには、解決する必要のある問題が多すぎます。
• 同時に多くの問題を解決しようとしています。

別のトリッキーな問題は、企業が解決しようとしているときに関連しています ミッションクリティカルな問題 。これはつまり _問題の解決策はエラーに対する許容度が非常に低い_ 。たとえば、自動運転車のAIソフトウェアのエラーが0.001％の場合、それが客観的にすでに非常に低いエラー率であっても、それでも許容できません。 0.001％は、運転する1000時間ごとに1回の事故が発生し、人命を失う可能性があることを意味します。逆に、AmazonやNetflixの推奨を1％でも間違えても、誰も死ぬことはありません。自動運転車や医療アプリケーション（医療診断、外科用ロボットなど）などのミッションクリティカルなプロジェクトの潜在的なリスクとリターンは、どちらもミッションクリティカルでないプロジェクトよりも大きく、処理が難しい問題になっています。

ステップ2：商業的実行可能性

AIアプリケーションの開発にお金を費やしている成熟した企業の場合、 堅牢なビジネスケース 先行投資を正当化するため。たとえば、IBMCEOのVirginiaRomettyは、IBMWatsonに生成を求めています。 年間収益100億ドル 2024年以前。AIスタートアップの場合、特に収益前の場合、私が常に尋ねる重要な質問は次のとおりです。 市場は十分に大きいです 会社が解決している問題の種類については？たとえば、企業が特定の業界の非常に特定の国向けにAIアプリケーションを開発していて、最大市場ポテンシャルが年間100万ドルである場合、それに投資しますか？

あなたが考慮する必要があるもう一つの側面は 投資期間 。より深いAI技術は、製品の開発に時間がかかります。たとえば、Waymo（Googleの自動運転車会社）は2009年からこのテクノロジーをテストしており、まだ商用製品をリリースしていません。より深いAIテクノロジー企業も、市場での認知とその後の投資収益を得るまでに長い時間がかかる可能性があります。例としてNvidia（NASDAQ：NVDA）を取り上げます。 Nvidiaは、自動運転車を含む多くのコンピュータービジョンアプリケーションで使用されるニューラルネットワークアルゴリズムを計算するための最も人気のあるチップ、GPUを提供しています。以下の株価チャートを見ると、多くの革新的なビジネスで見られる有名な「Sカーブ」パターンがはっきりとわかります。しかし、タイミングは重要です。1999年のIPO以来Nvidiaに投資した場合、ディープラーニングAIが「流行」になった2016年以降まで、見事なリターンは見られなかったでしょう。

ステップ3：技術的実現可能性

私の中で議論したように 他の記事 、機械学習（ディープラーニングを含む）製品の成功には、明確で望ましい問題、クリーンで適切にラベル付けされたデータ、堅牢なアルゴリズム、広範な計算能力という4つの重要な要素があると思います。最後の3つは、AIビジネスの技術的な実現可能性を決定します。ここでは、これらの要素の意味と、投資家としてデューデリジェンスを実施する方法について簡単に説明します。

まず、機械学習アルゴリズムを開発するには、クリーンで適切にラベル付けされたデータにアクセスする必要があります。これは、前述のように、これらのアルゴリズムは、必要な予測関係を確立するために適切にラベル付けされた大量のデータをさまざまな統計モデルに供給することによって構築されているためです。 AIビジネスを研究するときは、知っておく必要があります 使用可能なデータにアクセスできるかどうか、どのように取得したか、そのようなデータを引き続き取得できるかどうか 。または、データをまだ持っていない場合、そのようなデータを収集する計画は何ですか？消費者データの民主化とオープンバンキングなどのイニシアチブの傾向は、新しいAIアプリケーションに多くの機会を提供します。

次に、AIビジネスは、堅牢でスケーラブルなアルゴリズムを開発する必要があります。これを実現するには、3つの必須事項があります。それは、上記で説明した大量の適切にラベル付けされたデータ、適切な才能、およびディープラーニングが問題を解決するための適切なテクノロジーであるという自信です。したがって、重要な質問は次のとおりです。 ビジネスは適切な人材を引き付けることができますか ？ AIのトップタレント、特にAIの経験が豊富なデータサイエンティスト、エンジニア、プログラマーは、Google、Facebook、Microsoft、IBMなどの大手テクノロジー企業に奪われ、他の企業や新興企業にはほとんど残されていません。優秀な人材を引き付けるには、多額の給与を支払う準備をする必要があるだけでなく（たとえば、GoogleのDeepMindラボの従業員は平均して稼ぐ） 〜US $ 345,000 p.a.）、説得力のあるビジョンも必要です。さらに、ディープラーニングが商業上の問題を解決するのに最も適したテクノロジーであるかどうかを尋ねる必要があります。たとえば、個人投資家の資産配分のためのロボアドバイザーアプリケーションの場合、 ルールベースのプログラムは、深層学習アルゴリズムよりも開発コストがはるかに低く、実装が簡単です。 。対照的に、過去の過ちや勝利から学習する能力を備え、それ自体を改善し続けることができる機械学習アルゴリズムは、ヘッジファンド投資アルゴリズムのより良い候補です。現在、最も画期的な成果を上げ、ディープラーニングテクノロジーに最も適している分野は、自然言語処理（機械翻訳など）、コンピュータービジョン（顔認識、自動運転車など）、ゲームプレイ（AlphaGo、進化的投資決定など）です。作成）。

第三に、ビジネス 広範な計算能力を獲得する能力が必要です 。前回の記事で詳しく説明したように、クラウドコンピューティングまたは独自のGPUサーバーからのコンピューティング能力はコストがかかります。この側面で注意を払う必要がある2つの重要な質問があります：1）このビジネスに必要な典型的なタスクはどれくらいの計算能力ですか？そのような計算能力は今日利用可能ですか？これは、リアルタイム処理を必要とするが、GPUとバッテリー（ドローンなど）を収容するために実際のデバイスで利用可能なスペースが限られているアプリケーションにとって特に重要です。 2）企業はそのようなコンピューティング能力を買う余裕がありますか？たとえば、李開復は彼の本の中で興味深い話をしています、 人工知能 、彼が投資したディープラーニングのスタートアップは、ディープラーニングコンピューティングサーバーを購入するためだけに、最初の3か月で700万元（約100万米ドル）を費やしました。彼はさらに、今日、典型的な深層学習モデルのトレーニングタスクには、4〜8個の大容量GPUを備えた1台または複数のコンピューターが必要であることを強調しています。多くのコンピュータービジョンタスクは、数百、数千のGPUクラスターを必要とし、通常のサーバーの10倍の熱を放出します。これらの分野のスタートアップチームの中には、サーバーを冷却するためにACシステムを再設計するか、大量の氷を購入する必要がありました。

ステップ4：AIに関連する一般的な（そして誇大広告が発生しやすい）誤解

1. 一部の企業は本当に開発中です 新しいデジタルビジネス （銀行のプロセス自動化など）、またはルールベースの非機械学習アルゴリズム、 しかし、彼らはAIだと主張する 、注目とより良い評価のためにAIビジネスが得られます。デューデリジェンスでは、彼らが採用している基盤となるテクノロジーなどの質問をすることで、これらの変装を見つけようとすることができます。他のテクノロジー企業との契約であろうと社内であろうと、「AI」を使用していると主張して以来、データサイエンティストとAIエンジニアのチーム全体を採用していない場合、それは危険信号となる可能性があります。
2. 機械学習と人間の介入がAIよりもうまく機能する場合があります。 たとえば、最近、中国の翻訳テクノロジー企業であるiFlytekは、同時翻訳者と思われるデバイスが、人間の同時翻訳者の声を聞いてコピーしているだけであることが判明したときに、論争を巻き起こしました。 iFlytekは後で、リアルタイムの翻訳は現在必要な速度と精度では不可能であると説明しました。彼らは、人間と機械の知能の組み合わせが結果のための最良の解決策をもたらすと考えています。
3. 最後に、私のスタートアップの経験から学んだ私の主な教訓（意欲的な起業家や投資家のための警告の話でもあります）は 科学的なAIプロトタイプと商業的にスケーラブルなソリューションには大きな違いがあります 。通常、科学的なプロトタイプは、1人の才能のあるデータサイエンティストがクイックプロトタイピングソフトウェア（MatLabなど）を使用して、たとえば1000〜10,000のデータポイントを使用してわずか数か月で開発できます。前述のように、商業的にスケーラブルなプロトタイプには、1）AIスペシャリスト（データサイエンティスト、アーキテクト、ソフトウェアエンジニア、製品マネージャー）を雇うための資金、2）数千万のデータポイントを含むデータセットのトレーニング、3）コンピュータープログラム（例： Python、C ++など）、4）Amazon AWS、Google Cloud、MicrosoftAzureなどでディープラーニングコンピューターサーバーまたはクラウドコンピューティングソリューションを購入するための資金。

ステップ5：財務およびビジネスの指標

最後に、AIビジネスに注意を払う必要があります。 財務統計とその非財務ビジネスの視点を評価し、他のテクノロジー企業と同じように評価します。 次の表に示す分析例を参照してください。

ビジネスを評価するための従来の財務および非財務指標には、収益、純利益/キャッシュフロー、収益成長率、比率（P / E、P / Sなど）、マクロ経済学、競合他社、規制などが含まれます。独自の特徴。一例として、収益性よりも成長率の方が重要な場合があります。初期段階の技術系スタートアップにとって、アクティブユーザーや予約などのユーザー統計は、収益やキャッシュフローよりも重要です。そのような投資の需要のために、評価はより高くなる可能性があります。たとえば、Nvidia（NVDA）の株価収益率は約30倍の株価収益率ですが、マクドナルド（MCD）の株価収益率は約20倍です。

会社を評価する方法についての投資書はたくさんあるので、ここではあまり詳しく説明しません。公開会社の場合、これらの詳細は、財務報告などの公開ファイリング、またはGoogleFinanceやBloombergなどの市場データプロバイダーから入手できます。民間企業の場合は、会社の経営陣に連絡して必要な詳細を入手できます。

結論

要約すると、私の意見では、私は思う AI投資にとって最も望ましい属性 短中期的に（したがって、優れたAI投資を行うもの）は次のとおりです。 1）明確に定義された望ましい問題を解決する。2）ミッションクリティカルではない（失敗しても誰も死ぬことはない）。 これらのケースには、チャットボット（純粋にルールベースではない）、医用画像診断、顔認識、機械翻訳、AIファイナンシャルアドバイザー、コンピューターゲームなどのスマートカスタマーサービスの分野が含まれます。 長期的には、高リスク/高報酬のミッションクリティカルな問題 （例：自動運転車） 多くの人が注目している賞品です 。解決すべき問題があると判断したら、商業的実行可能性、技術的実現可能性、財務統計、およびビジネス指標を分析できます。

また、投資したい特定のAI業種についても考慮する必要があります。AI業種が異なれば、顧客の需要とテクノロジーの準備の緊急性も異なり、したがって投資収益率とリスクも異なります。ハードウェア、ソフトウェア、プラットフォーム、サービス、および金融、教育、ヘルスケア、産業などのさまざまな業界に投資できます。後続の記事では、最も有望な業種とテクノロジー、投資スタイル（パッシブとアクティブ）、地域（米国と中国、その他の地域）など、AIへの投資を開始する方法について説明します。

基本を理解する

AIに関与している企業は何ですか？

Google（Alphabet）、Microsoft、Amazon、Apple、IBM、Facebookなどの巨大なハイテク企業の多くがAIに関与しています。各企業はさまざまなAIベースのアプリケーションを開発しています。たとえば、Googleの自動運転（Waymo）には、コンピュータービジョンが含まれます。 IBMのWatsonは、自然言語処理に非常に優れています。

GoogleのDeepMindとは何ですか？

DeepMindは、2014年にGoogleに買収されたAlphabet（Googleの親会社）の子会社です。これは、2010年にDemis Hassabis、Shane Legg、MustafaSuleymanによって設立された主要なニューラルネットワークテクノロジーのスタートアップでした。 DeepMindは、そのプログラムAlphaGoが2016年に囲碁プレーヤーの李世ドルを破った後に見出しを作りました。

AIプラットフォームとは何ですか？

AIプラットフォームは、他の企業が新しいAIアプリケーションを開発するために使用できるハードウェアアーキテクチャまたはソフトウェアフレームワークビジネスです。上位のAIプラットフォームには、Microsoft Azure、TensorFlow、Infosys Niaなどがあります。これらのプラットフォームを使用すると、多くの場合、開発を促進してコストを節約できるため、「AIの民主化」が可能になります。