Как вы можете узнать реальную ценность ваших данных, науки о данных, машинного обучения и активов искусственного интеллекта.
Это упрощенная попытка использовать грубые оценки, чтобы проиллюстрировать концепцию стоимости собственного капитала практики Data Science, Machine Learning и искусственного интеллекта. Это НЕ калькулятор рентабельности инвестиций, который часто является краткосрочным и близоруким подходом к построению бизнеса.
Это не должно быть точным определением, а скорее созданием основы для оценки данных, талантов, кода, моделей, фреймворков и других неотъемлемых активов для компаний, которые возникают из науки о данных как менталитета актива, а не из часто используемого «варианта использования». «Оперативный менталитет».
Каждый доллар MLV равен доллару, добавленному к оценке компании, и не обязательно связан с денежным потоком. Основное внимание в этом упражнении уделяется акционерной стоимости, которая определяется как внутренняя стоимость или балансовая стоимость компании.
Основой этой модели является экосистема акционерного капитала Uber, в которой Микеланджело составляет значительную часть стоимости компании, и экосистема Google, в которой Google Brain является важным активом компании.
Определения:
CT = текущий год + оценка компании за 10 лет
Стоимость компании через 10 лет
Аналогично NPV и другим показателям для измерения текущей стоимости будущих активов
MLV = наука о данных/машинное обучение/искусственный интеллект. Ценность всей практики/основы/данных для компании.
(включает в себя все внутренние данные, код, таланты и другие активы практики)
Талант (T) = специалист по обработке и анализу данных/специалист по машинному обучению и т. д.
(кодирует на Python или R, разбирается в статистике, облачных вычислениях, может привлекать экспертов предметной области, развертывать модели, выполнять EDA и т. д. По существу может выполнять все функции от начала до конца процесса развертывания машинного обучения.)
Коэффициент оценки: x * 10-летний прогнозируемый годовой доход
Логика оценки: таланты в этой области очень пугают и являются важным фактором будущих доходов.
Модели/код (MC) = внутренние (принадлежащие компании) модели в производстве, кодовая база, другие элементы производственного машинного обучения
Коэффициент оценки: x * 10-летняя прогнозируемая выручка
Логика оценки: существенный и важный фактор оценки, но быстро превращающийся в товар
Внешние модели/данные (OM) = это модели, код, алгоритмы, данные, хранящиеся на платформах внешних поставщиков.
-x * прогнозируемый доход на 10 лет
Логика оценки. Предоставление данных внешним поставщикам и предоставление им возможности использовать собственные данные и знания предметной области, а также строить их на основе собственных данных и знаний в предметной области приводит к утечке акционерной стоимости и снижению стоимости компании. Хотя эти взаимодействия часто необходимы, для предприятий с искусственным интеллектом они представляют собой ненужную деятельность.
Данные (D) = внутренние данные о собственности и открытые данные, загруженные во внутренние хранилища данных.
Коэффициент оценки: x * хранение данных, x = внутренняя оценка в зависимости от различных факторов и типов данных.
Формула оценки: MLV = T + MC -OM + D
Как видите, это очень упрощенное представление о том, как оценить вашу практику машинного обучения и науки о данных. Я надеюсь, что это поможет компаниям перестать смотреть на активы своей практики просто как на продолжение операций и как на актив.
