Люди предвидели будущее с программным обеспечением, способным к разумному поведению, еще на заре компьютерной эры. На самом деле термин «искусственный интеллект» был впервые введен в употребление в 1955 году, менее чем через десять лет после того, как в 1946 году был построен первый компьютер. Ранние ученые-компьютерщики были полны оптимизма в отношении потенциала интеллектуальных машин для воспроизведения многих задач, выполняемых людьми. Однако, несмотря на замечательные достижения, попытки закодировать человеческое мышление в компьютерную логику оказались чрезвычайно сложными и не оправдали ожиданий в 20-м веке. Несмотря на то, что мы по-прежнему далеки от того, чтобы сегодня разрабатывать машины с полным искусственным интеллектом, в последнее время наблюдается возрождение интереса к этой области. В частности, разработки в области машинного обучения, часто считающегося подмножеством искусственного интеллекта, привели к значительным прорывам в возможностях программного обеспечения.

Машинное обучение не стремится напрямую воспроизвести обработку человеческого мышления — оно включает в себя построение алгоритмов, которые могут учиться и делать прогнозы на основе данных, а не следовать строго статическим инструкциям программы. Алгоритмы машинного обучения работают, строя модель из выборки входных данных, чтобы делать прогнозы или решения на основе данных, выраженные в виде выходных данных. Вероятностные методы используются для «обучения» программного обеспечения по мере того, как оно обрабатывает данные, до тех пор, пока оно не сможет распознавать закономерности и делать выводы, которые изначально не были запрограммированы. Технология машинного обучения имеет широкий спектр приложений, включая обнаружение мошенничества, распознавание голоса и изображений, виртуальных агентов, поиск, маркетинг, медицинскую диагностику и биоинформатику.

С машинным обучением на переднем крае искусственный интеллект превратился в более широкий термин, применяемый к ряду приложений, связанных с интеллектуальными вычислительными технологиями. Например, глубокое обучение, часто считающееся ветвью машинного обучения, включает в себя методы, использующие программное обеспечение искусственной нейронной сети, которое стремится имитировать процессы человеческого мозга. Глубокое обучение хорошо работает со сложными приложениями и очень большими наборами данных. Роботизированное обучение, еще одна область искусственного интеллекта, находится на пересечении машинного обучения и робототехники. Он включает в себя методы, позволяющие роботам приобретать новые навыки или адаптироваться к различной среде с помощью алгоритмов обучения. Хотя многие люди часто связывают искусственный интеллект с

робототехники, эта технология относительно медленнее развивается и может быть очень капиталоемкой. В результате краткосрочные инвестиционные возможности связаны преимущественно с приложениями машинного обучения.

Подготавливая почву для следующей волны инноваций в области машинного обучения

Многие лидеры в этой области, в том числе генеральный директор Google Сундар Пичаи, считают, что сейчас мы находимся в «исключительно интересном переломном моменте», когда слияние технологических тенденций может ускорить разработку приложений машинного обучения и искусственного интеллекта. Тенденции, которые подготовили почву для следующей волны инноваций в космосе, включают следующее:

  • Создание больших наборов данных. По оценкам, сегодня в мире насчитывается более 25 миллиардов устройств, подключенных к Интернету, и ожидается, что к 2020 году это число превысит 50 миллиардов[1]. Глобальная связь привело к созданию беспрецедентных объемов данных, которые не показывают никаких признаков замедления. На самом деле, ожидается, что количество данных, генерируемых, копируемых или потребляемых во всем мире каждый год, будет примерно удваиваться каждые два года в период до 2020 года.[2] с машинным обучением и искусственным интеллектом, поскольку он служит основным входом для большинства приложений, которые обычно требуют доступа к информации о действиях, поведении, предпочтениях, связях и контенте, чтобы быть эффективными.
  • Увеличение вычислительной мощности при меньших затратах. Затраты на обработку вычислений и хранение быстро снижаются, а вычислительная мощность процессоров растет. На самом деле вычислительная мощность, доступная на доллар, увеличивалась в десять раз примерно каждые четыре года в течение последних 25 лет. [3] Эта тенденция не только делает возможными передовые и мощные приложения машинного обучения и искусственного интеллекта, но и делает их все более доступными. .
  • Расширенные алгоритмы и системы обучения. В последние годы произошли значительные улучшения в разработке алгоритмов и систем обучения, а также поддерживающей их архитектуры и инфраструктуры. В частности, алгоритмы глубокого машинного обучения внесли свой вклад во многие недавние инновации в возможностях программного обеспечения. Например, архитектуры глубокого обучения, называемые сверточными нейронными сетями, настолько продвинуты, что само программное обеспечение может решать, какие функции и характеристики входных данных наиболее важны для данной задачи классификации.
  • Открытый источник технологий.Крупные технологические компании, вложившие значительные средства в эту область, такие как IBM, Google, Amazon, Facebook и Microsoft, присоединились к растущему движению за то, чтобы сделать машинное обучение открытым исходным кодом для разработчиков в усилия по улучшению качества и гибкости своих систем. В свою очередь, это создало более сильное сообщество разработчиков и ускорило инновации и поток информации в космосе.

Ландшафт машинного обучения можно рассматривать как существующий в трех «уровнях»: инфраструктура, горизонтальные платформы и вертикальные приложения. Большая часть передовой инфраструктуры (например, системы хранения данных и сети) существует, хотя она, безусловно, будет продолжать развиваться и совершенствоваться. На горизонтальном уровне было достигнуто много достижений, когда компании могут предоставлять аналитику и другие услуги, которые могут с пользой обрабатывать большие наборы сложных данных (включая распознавание изображений и голоса). Это подготовило почву для приложений, в том числе приложений прогнозирования, которые должны быть построены на вершине. Приложения, использующие машинное обучение, могут быть развернуты в очень широком диапазоне отраслевых вертикалей, удовлетворяя многие потребности и позволяя создавать преобразующие новые компании.

Роль технологических лидеров

Крупные технологические компании помогли проложить путь вперед для приложений машинного обучения и искусственного интеллекта, и почти все без исключения считают, что эта технология будет определять будущее их бизнеса. Google выделила значительные ресурсы на разработку технологии машинного обучения, которая лежит в основе многих внутренних инициатив, в том числе ее известного подразделения по разработке беспилотных автомобилей. Google также недавно запустил TensorFlow, библиотеку программного обеспечения с открытым исходным кодом для машинного обучения. Компьютерная система IBM Watson, победившая лучших участников конкурса Jeopardy! в 2011 году, превращается в широкую технологическую платформу, использующую машинное обучение для извлечения информации из больших объемов неструктурированных данных для обслуживания широкого круга бизнес-клиентов. , особенно в сфере здравоохранения. Facebook создал группу прикладного машинного обучения, и Марк Цукерберг неоднократно публично заявлял, что компания планирует выйти за рамки возможного в отношении технологий машинного обучения и искусственного интеллекта. В прошлом году Amazon через Amazon Web Services запустил Amazon Machine Learning, чтобы предоставить разработчикам доступ к инструментам визуализации и мастерам, которые помогают им в процессе создания моделей машинного обучения. Наконец, Microsoft недавно открыла для разработчиков свою платформу машинного обучения Azure с целью демократизации машинного обучения.

Важнейшим входом для технологии машинного обучения являются данные. Это одна из областей, в которой действующие технологические фирмы и другие крупные корпорации в настоящее время могут иметь преимущество перед стартапами. Доступ к большим и высококачественным наборам данных позволяет разрабатывать более точные и надежные решения для машинного обучения. Один из способов, с помощью которого стартапы в области машинного обучения могут преодолеть недостатки на этом фронте, заключается в создании партнерских отношений с действующими компаниями. Некоторые стартапы уже построили успешный бизнес, внедрив эту модель. Если нет доступа к большим и высококачественным наборам данных, стартапам придется конкурировать, разрабатывая собственные алгоритмы или создавая алгоритмы, способные учиться на ограниченных наборах данных.

В то время как инновации происходят повсюду, стартапы во многих отношениях остаются в уникальном положении, чтобы извлечь выгоду из грядущего распространения приложений машинного обучения и искусственного интеллекта. Они могут быть более изобретательными, сосредоточенными, ловкими и привлекать лучшие таланты. Крупные корпорации осознали этот факт и в ответ стали активными инвесторами через корпоративные подразделения венчурного капитала, а также приобрели стартапы. Количество раундов финансирования стартапов для компаний, занимающихся машинным обучением и искусственным интеллектом, с участием корпоративных венчурных инвесторов увеличилось в 15 раз в период с 2010 по 2015 год. [4] Уже более 30 компаний в области искусственного интеллекта были приобретены за последние три года крупными корпорациями. [5] Google лидирует с пятью приобретениями, но IBM, Amazon, Salesforce, Cisco, Microsoft, Facebook, Yahoo, Intel, Dropbox, LinkedIn, Pinterest и Twitter также приобрели компании в этой области. По мере взросления компаний, специализирующихся на машинном обучении, и технологии становятся все более важными для ведения бизнеса, покупатели, вероятно, будут включать компании за пределами технологического пространства, такие как страховые, финансовые и медицинские компании.

Венчурные инвестиции в искусственный интеллект и машинное обучение

Венчурные капиталисты внимательно следят за инновациями и уровнем интереса компаний, занимающихся технологиями машинного обучения и искусственного интеллекта. Это пространство представляет собой естественный сдвиг для многих фирм венчурного капитала, и типы трансформационных компаний, обслуживающих большие целевые рынки с помощью жизнеспособных и привлекательных бизнес-моделей, очень хорошо подходят для венчурного инвестирования. С 2010 года венчурные капиталисты уже инвестировали около 1 миллиарда долларов в компании, связанные с искусственным интеллектом, и ежегодное финансирование компаний в этой области увеличилось в семь раз с 2010 года. [6] Многие венчурные фирмы уже начали пожинать плоды инвестировать в космос, поскольку более двух третей компаний, занимающихся искусственным интеллектом, приобретенных за последние три года, были профинансированы венчурным капиталом. [7]

Венчурные фирмы применяют различные подходы к инвестированию в компании, занимающиеся машинным обучением и искусственным интеллектом. Многие фирмы инвестируют в программное обеспечение, ИТ-инфраструктуру и компании, работающие с большими данными, а также в приложения для многих отраслевых вертикалей. Хотя, безусловно, существуют различия, когда дело доходит до инвестиций в компании, занимающиеся машинным обучением и искусственным интеллектом, часто требуемые наборы навыков, сети и технические знания хорошо переносятся. Чтобы расширить свои возможности для инвестиций в космос, некоторые фирмы наняли экспертов для усиления своих команд, таких как специалисты по данным, или создали консультативные советы или сети, состоящие из ведущих исследователей, ученых или операторов в этой области. В последнее время также были созданы новые фирмы с основным упором на инвестиции в компании, занимающиеся машинным обучением и искусственным интеллектом.

Возможность создания стоимости для венчурных фирм велика, поскольку технология сможет охватить широкий спектр крупных рынков, а дальнейшие достижения в технологии почти наверняка появятся на всех уровнях.

Примеры венчурных компаний в области машинного обучения и искусственного интеллекта в портфолио Fairview включают следующее:

Ayasdi предлагает программную платформу и приложения для машинного интеллекта организациям, которые хотят анализировать большие объемы или многомерные наборы данных. Организации и правительства развернули программное обеспечение Ayasdi для различных вариантов использования, включая разработку клинических путей для больниц, обнаружение мошенничества, торговые стратегии, сегментацию клиентов, разработку нефтяных и газовых скважин, разработку лекарств, исследование болезней, информационную безопасность, обнаружение аномалий и приложения национальной безопасности. Программное обеспечение компании выявило генетические особенности выживших после рака, обнаружило шесть различных подтипов пациентов с диабетом типа II и даже помогло Институту изучения войны составить карту террористического поведения. Клиентская база состоит исключительно из компаний из списка Fortune 1000, многие из которых заключают крупные сделки с семизначными суммами. Компания Ayasdi была основана в результате 12 лет исследований и разработок в Стэнфордском университете. Венчурные инвесторы включают FLOODGATE, Khosla Ventures, Institutional Venture Partners и Kleiner Perkins Caufield & Byers.

Dataminr — это компания по поиску информации, которая использует запатентованные алгоритмы машинного обучения для мгновенного анализа твитов и других общедоступных данных. Технология компании может идентифицировать, классифицировать и определять значимость информации в режиме реального времени, а также предоставлять соответствующие сигналы и контекстную аналитику в виде ценных приложений. В сфере финансов многие хедж-фонды и инвестиционные банки используют Dataminr для принятия мер на основе ранней информации о движении рынка. Другие крупные корпорации используют Dataminr для центров наблюдения за корпоративной безопасностью и кризисным управлением, которые предупреждают о возникающих угрозах и кризисах. Компания была основана в 2009 году и сейчас насчитывает более 150 сотрудников. Его поддерживают Venrock, Institutional Venture Partners, Fidelity, Wellington и Credit Suisse.

MetaMind — это платформа глубокого обучения, предназначенная для прогнозирования результатов языковых, зрительных задач и задач с базами данных. Основной технологией компании является программное обеспечение для нейронных сетей, которое, как сообщается, может отвечать на все вопросы, от конкретных запросов о фрагментах текста до тональности этого текста. MetaMind также разработала одну из лучших возможностей распознавания изображений на рынке. Компания была запущена в 2014 году и привлекла венчурное финансирование от Khosla Ventures. В апреле 2016 года MetaMind была приобретена Salesforce. Salesforce планирует использовать свою технологию для «дальнейшей автоматизации и персонализации поддержки клиентов, автоматизации маркетинга и многих других бизнес-процессов». Ожидается, что это приобретение расширит возможности Salesforce по обработке и анализу данных за счет внедрения Deep Learning в платформу Salesforce.

Первый продукт X.ai, который в настоящее время находится на стадии бета-тестирования, использует искусственный интеллект для планирования встреч людей. В сервисе есть помощник на основе искусственного интеллекта, который анализирует не только запросы на встречи, но и целые ветки разговоров по электронной почте, чтобы определить время и место, подходящее для всех вовлеченных сторон. Пользователи просто взаимодействуют с помощником по электронной почте, как и с любым другим человеком, включая адрес электронной почты в качестве копии. Нет необходимости устанавливать приложение или загружать какое-либо программное обеспечение. Служба будет знать ваше расписание и предпочтения, а также автоматически будет работать взад и вперед по расписанию. X.ai была основана в 2014 году и привлекла венчурное финансирование от IA Ventures, FirstMark Capital, SoftBank Capital и Two Sigma Ventures.

Инвестиционная деятельность Fairview в области машинного обучения и искусственного интеллекта

Fairview активно отслеживала и участвовала в качестве инвестора во многих инновациях и создании ценности, которые привели к созданию основы для следующего поколения компаний, основанных на машинном обучении и искусственном интеллекте. Кроме того, портфели венчурного капитала Fairview уже включали инвестиции во многие ведущие компании, занимающиеся машинным обучением и искусственным интеллектом, на всех уровнях — инфраструктура, аналитика и приложения. Забегая вперед, мы с особым оптимизмом смотрим на широкий спектр новых возможностей для бизнеса, которые откроются благодаря приложениям машинного обучения и искусственного интеллекта. Многие отрасли промышленности готовы к трансформации благодаря этой технологии. Действующие игроки будут инвестировать в технологию, а новые участники получат возможность создать значительную ценность.

Fairview считает, что лучший способ инвестировать в компании, занимающиеся машинным обучением и искусственным интеллектом, — это через фирмы венчурного капитала, обладающие опытом, талантами и сетями для эффективного использования набора возможностей. Мы ожидаем, что в будущем наши венчурные портфели будут расширять возможности компаний, связанных с машинным обучением и искусственным интеллектом.

[1] Группа решений для интернет-бизнеса Cisco Systems (IBSG)

[2] IDC — Исследование цифровой вселенной 2014 г.

[3] Программа Future of Life Institute FLI-RFP-AI1

[4] CB Insights — Анализ инвестиционного ландшафта ИИ, февраль 2016 г.

[5] Fairview Capital Research, CB Insights

[6] CB Insights — Анализ инвестиционного ландшафта ИИ, февраль 2016 г.

[7] Fairview Capital Research, FirstMark Capital, CB Insights

© Fairview Capital Partners, Inc., 2016 г. Все права защищены. Эта публикация не может быть воспроизведена без письменного согласия Fairview Capital Partners, Inc. Этот документ предназначен только для информационных целей и не является предложением о продаже или приглашением к какому-либо предложению о покупке какой-либо ценной бумаги или другого финансового инструмента и не может быть использован. для юридических, налоговых или инвестиционных консультаций.