È solo clamore? Come gli investitori possono controllare le affermazioni dell’IA di un’azienda
Quasi tutti i memorandum di investimento confidenziali (CIM) per un’impresa basata sulla tecnologia includono la menzione dell’azienda di capacità di intelligenza artificiale (AI) o apprendimento automatico (ML). Ma come con altre parole d’ordine di investimento, come “ricavi da abbonamento”, c’è la tendenza a utilizzare l’IA o il ML per suggerire tecnologie e processi proprietari complessi, abilitanti per il business per distinguere l’offerta come differenziata o tecnologicamente superiore. Questo è spesso per ottenere una valutazione più elevata.
Abbiamo tutti sentito esempi di fallimenti dell’IA che creano buoni titoli e forniscono interessanti racconti ammonitori. Ma come investitore, può essere altrettanto spaventoso apprendere che la capacità di intelligenza artificiale che ha guidato una valutazione al di sopra del mercato non è molto più di un foglio di calcolo con qualche effetto di marketing.
Nel nostro ruolo di consulenti per investitori tecnologici e team di gestione, ci imbattiamo spesso in una domanda centrale nella tesi di investimento: l’IA/ML è il vero affare? Ecco come trovare la risposta.
Assicurati che tutti parlino la stessa lingua
Interpretazioni diverse di “intelligenza artificiale”, “apprendimento automatico” e “apprendimento profondo” possono creare confusione e incomprensioni, poiché i termini sono spesso usati in modo improprio o usati in modo intercambiabile. Pensa ai concetti in questo modo:
L’intelligenza artificiale è qualsiasi sistema che imita l’intelligenza umana. Con questa definizione, l’IA potrebbe fare riferimento a qualsiasi sistema o algoritmo basato su regole, purché venga utilizzato per simulare l’intelligenza. I chatbot sono un esempio perfetto.
L’apprendimento automatico è un sottoinsieme dell’IA. Si basa su un modello matematico creato utilizzando un set di dati di grandi dimensioni e un algoritmo di addestramento che consente al modello di apprendere ed evolversi. Ad esempio, in Google Foto, puoi taggare le immagini con i nomi delle persone in esse contenute e, nel tempo, Google migliora sempre di più nell’identificare le persone da solo. Questo è un buon esempio di apprendimento automatico.
Il deep learning è un sottoinsieme di ML che coinvolge modelli altamente sofisticati che ricordano la struttura del cervello umano. Questi modelli richiedono milioni di record per essere addestrati, ma spesso possono eguagliare o superare gli esseri umani in compiti specifici. Ad esempio, il programma di apprendimento profondo AlphaZero rimane imbattuto negli scacchi.
Scavando più a fondo
È necessario scavare più a fondo di questi termini generali e ampi per vedere quanto sia legittima la tecnologia AI/ML di un’azienda. Devi capire: quale problema viene risolto? Quali tecnologie AI/ML vengono utilizzate per risolverlo? Come e perché funziona questa soluzione? La soluzione fornisce un vantaggio competitivo rispetto ad altri approcci?
Diciamo che stai cercando di investire in una nuova società nell’ipotetico spazio LawnTech.
Se il CIM descrive l’app HornetNest dell’azienda come un “sistema di intelligenza artificiale per l’eradicazione dei calabroni”, vorresti approfondire con il team tecnico del prodotto per comprendere i componenti e il processo sottostanti. Idealmente, ti ritroverai con una spiegazione che suona più come questa:
“Utilizziamo un rilevatore di oggetti basato su YOLO con un filtro Kalman per identificare, contare e tracciare i calabroni in tempo reale. I dati vengono inseriti in un rilevatore di anomalie che avvisa automaticamente i clienti quando vediamo un comportamento che suggerisce la presenza di un nuovo nido entro un raggio di 50 iarde. Grazie a una partnership esclusiva con Orkin, abbiamo raccolto il più grande set di immagini di addestramento al mondo, consentendoci di prevedere la presenza e la posizione di nuovi nidi di calabroni in modo più accurato di chiunque altro”.
Questo livello di dettaglio è necessario per comprendere la sofisticatezza, il valore e la difendibilità delle risorse AI/ML di un’azienda.
Valuta l’intera immagine
L’IA non è solo una cosa. È il prodotto di sei componenti critici essenziali per il valore dell’IA. Il grado in cui questi elementi operano insieme in modo efficace può aiutarti a separare l’IA di valore più alto da quella meno legittima.
Il gruppo
Questa è forse la risorsa più preziosa e determinante del successo a lungo termine. In particolare, avere un forte team di data science guidato da un esperto capo data scientist apre le porte alla migliore intelligenza artificiale.
I dati
ML si basa sui dati di addestramento per creare i modelli. Elevati volumi di dati, in particolare dati proprietari a cui i concorrenti non possono accedere, creano un vantaggio competitivo e una barriera significativi. Come regola empirica molto approssimativa, sono necessarie decine di migliaia di record di formazione per il machine learning tradizionale; milioni per il deep learning.
Il processo di formazione
Esistono processi di formazione di base e tecniche avanzate, tra cui l’apprendimento automatico delle macchine (AutoML), l’ottimizzazione degli iperparametri, l’apprendimento attivo e la supervisione debole. La capacità di un’azienda di utilizzare queste tecniche avanzate comporta una riduzione dei costi e una migliore qualità.
Eccellenza operativa
Oltre alla formazione dell’IA, è importante comprenderne la cura e l’alimentazione complessive. Ti consigliamo di comprendere i processi di garanzia della qualità, test e scomposizione degli errori. Quando vengono identificati i punti deboli, come vengono raccolti i dati di formazione supplementari? Inoltre, supponiamo che un punto di forza dell’IA sia l’incorporazione di feedback in tempo reale per consentire l’apprendimento per rinforzo o la compilazione di una base di conoscenze per supportare il processo decisionale. In questi casi, i processi devono essere gestiti attivamente per garantire prestazioni ottimali.
I modelli
I modelli sono i risultati del team, dei dati e del processo di formazione. Ma, per essere considerati una risorsa, richiedono comunque un tempo apprezzabile per la creazione e l’ottimizzazione. Il valore di questa componente è determinato dal numero di modelli di un’azienda e dalla raffinatezza dei modelli.
L’infrastruttura di sviluppo dell’IA
C’è una differenza tra un’azienda che ha messo insieme alcuni modelli ML e una con l’infrastruttura per creare, riqualificare, testare e distribuire automaticamente i modelli.
Comprendi dove si colloca l’azienda nella scala di maturità dell’IA
Sulla base di un campione delle oltre 2.500 aziende tecnologiche che il nostro team ha diligente negli ultimi due anni, abbiamo notato alcuni indicatori abbastanza coerenti della maturità dell’IA.
Circa il 10% di queste aziende rientra nella categoria “No AI”. Nonostante quello che dicono, non è AI. Ad esempio, il software che ottimizza il routing dei container potrebbe non essere l’IA ma solo un sofisticato algoritmo tradizionale.
Un ulteriore 10% rientra nella categoria “IA non proprietaria”. In questi casi, l’azienda utilizza solo modelli di dominio pubblico o API cloud MLaaS per sfruttare l’IA. Un esempio potrebbe essere l’utilizzo dell’API Textract basata sull’intelligenza artificiale di Amazon per riconoscere il testo o il modello ResNet di dominio pubblico per rilevare gli oggetti nelle immagini. Questo approccio può essere considerato basato sull’IA, ma non richiede dati di addestramento, un processo di addestramento, scienziati dei dati o anche molte conoscenze sull’IA per essere implementato. Inoltre, in questo approccio non ci sarebbe alcun elemento di differenziazione competitivo poiché qualsiasi azienda può utilizzare le stesse risorse di dominio pubblico.
La stragrande maggioranza, circa il 75%, rientra nella categoria “IA standard”. Ciò che vediamo più spesso sono le aziende che addestrano modelli ML proprietari utilizzando i propri dati di addestramento in combinazione con algoritmi di addestramento standard. C’è una vasta gamma di sofisticatezza in questa classe. All’estremità più semplice della gamma ci sono le aziende che creano modelli di regressione lineare utilizzando una libreria come sklearn di Python. All’estremità più complessa ci sono le aziende che progettano e creano più modelli di deep learning utilizzando TensorFlow e utilizzano tecniche di ottimizzazione avanzate come l’ottimizzazione degli iperparametri, l’apprendimento attivo e la supervisione debole per massimizzare la precisione.
L’ultimo 5% rientra nella categoria “IA all’avanguardia”. Queste aziende sono andate oltre le tecniche di intelligenza artificiale standard e hanno sviluppato i propri tipi di modelli e algoritmi di addestramento per spingere l’IA in nuove direzioni. Questo rappresenta un IP unico e brevettabile che ha un valore in sé e i modelli creati da queste aziende possono superare le prestazioni dei concorrenti che hanno accesso allo stesso set di dati.
Sembra un vero affare, ma è giusto per te?
Una volta compresi i dettagli dell’IA stessa, sei in una posizione migliore per comprenderne l’impatto sulla tesi di investimento. Ci sono due fattori da considerare qui.
Innanzitutto, qual è il valore dell’IA? Poiché “IA” può avere definizioni molto diverse, è importante adottare una visione olistica. Il valore delle risorse AI di un’azienda è la somma delle sei parti critiche sopra indicate: il team, i dati, il processo di formazione, l’eccellenza operativa, i modelli e l’infrastruttura di sviluppo.
Un altro modo per guardare al valore dell’IA in un’azienda è chiedersi in che modo influisca sui profitti. Cosa accadrebbe a ricavi e costi se l’IA scomparisse domani? In realtà genera entrate o leva operativa? E al contrario, quali costi sono necessari per mantenere o migliorare la capacità? Scoprirai che l’IA può essere qualsiasi cosa, da uno slogan di marketing vuoto a una tecnologia essenziale per il successo di un’azienda.
In secondo luogo, quali rischi introduce l’IA? Il pregiudizio algoritmico non intenzionale può comportare rischi legali e reputazionali per l’azienda, creando un’IA sessista, razzista o altrimenti discriminatoria. Nel caso del credito, delle forze dell’ordine, dell’alloggio, dell’istruzione e dell’assistenza sanitaria, questo tipo di pregiudizio è proibito dalla legge ed è difficile difendersi, anche quando si verifica inconsapevolmente. Assicurati di capire in che modo il target si è protetto dai pregiudizi algoritmici e i passaggi che dovresti intraprendere per evitare che i pregiudizi avanzino.
La privacy è un’altra preoccupazione, con l’IA che spesso richiede nuovi livelli di privacy e protocolli di sicurezza. È necessario comprendere come vengono raccolti, utilizzati e tutelati i dati biometrici (considerati dati di identificazione personale protetti dalle leggi sulla privacy dei dati) e le immagini sensibili, come volti, targhe e schermi di computer.
Il vero valore dell’IA
La realtà è che, nel panorama tecnologico odierno, la maggior parte delle aziende può legittimamente rivendicare alcune capacità di intelligenza artificiale. La maggior parte delle volte, l’IA si adatta alla nostra definizione di maturità “standard” e si comporta come ci aspettiamo. Ma quando abbiamo esaminato più a fondo la categoria “IA standard”, abbiamo scoperto che solo circa la metà di queste aziende utilizzava le migliori pratiche o creava un differenziatore competitivo che sarebbe stato difficile per i concorrenti superare. L’altra metà aveva margini di miglioramento.
Determinare il valore dell’IA richiede sia uno sguardo approfondito sotto il cofano che una comprensione sfumata del ruolo specifico dell’IA nel business. La diligenza tecnologica, svolta da esperti che hanno guidato direttamente i team di IA, può aiutare a demistificare l’IA per gli investitori. L’obiettivo è aiutare gli investitori a capire esattamente cosa stanno acquistando, cosa può e non può fare per l’azienda, quali rischi introduce e, in definitiva, in che misura supporta la strategia di investimento.
