Besuchen Sie uns am 9. November, um auf dem Low-Code / No-Code Summit zu erfahren, wie Sie erfolgreich innovativ sein und Effizienz erreichen können, indem Sie Bürgerentwickler weiterbilden und skalieren. Hier registrieren.


Fast jedes vertrauliche Investitionsmemorandum (CIM) für ein technologieorientiertes Unternehmen enthält die Erwähnung des Unternehmens über Fähigkeiten der künstlichen Intelligenz (KI) oder des maschinellen Lernens (ML). Aber wie bei anderen Investitionsschlagwörtern – wie „Abonnementeinnahmen“ – gibt es eine Tendenz, KI oder ML zu verwenden, um komplexe, geschäftsfördernde, proprietäre Technologien und Prozesse vorzuschlagen, um das Angebot als differenziert oder technologisch überlegen zu kennzeichnen. Dies geschieht oft, um eine höhere Bewertung zu erzielen.

Wir alle haben Beispiele von KI-Ausfällen gehört, die für gute Schlagzeilen sorgen und interessante warnende Geschichten liefern. Aber als Investor kann es genauso beängstigend sein zu erfahren, dass die KI-Fähigkeit, die zu einer über dem Marktwert liegenden Bewertung geführt hat, nicht viel mehr als eine Tabelle mit einem gewissen Marketing-Tipp ist.

In unserer Rolle als Berater von Technologieinvestoren und Managementteams begegnen wir oft einer zentralen Frage der Anlagethese: Ist die KI / ML das einzig Wahre? So finden Sie die Antwort.

Stellen Sie sicher, dass alle die gleiche Sprache sprechen

Unterschiedliche Interpretationen von „künstlicher Intelligenz“, „maschinellem Lernen“ und „tiefem Lernen“ können zu Verwirrung und Missverständnissen führen, da die Begriffe oft missbraucht oder synonym verwendet werden. Stellen Sie sich die Konzepte folgendermaßen vor:

Vorfall

Low-Code-/No-Code-Gipfel

Erfahren Sie, wie Sie Low-Code-Programme auf unkomplizierte Weise erstellen, skalieren und verwalten, um am 9. November Erfolg für alle zu schaffen. Registrieren Sie sich noch heute für Ihren kostenlosen Pass.

Hier registrieren

Künstliche Intelligenz ist jedes System, das menschliche Intelligenz nachahmt. Mit dieser Definition könnte sich KI auf jedes regelbasierte System oder jeden Algorithmus beziehen – solange es zur Simulation von Intelligenz verwendet wird. Chatbots sind ein perfektes Beispiel.

Maschinelles Lernen ist eine Teilmenge der KI. Es stützt sich auf ein mathematisches Modell, das mit einem großen Datensatz und einem Trainingsalgorithmus erstellt wurde, der es dem Modell ermöglicht, zu lernen und sich weiterzuentwickeln. In Google Fotos können Sie beispielsweise Bilder mit den Namen der Personen darauf taggen, und im Laufe der Zeit wird Google immer besser darin, Personen selbst zu identifizieren. Dies ist ein gutes Beispiel für maschinelles Lernen.

Deep Learning ist eine Teilmenge von ML, die hochentwickelte Modelle umfasst, die der Struktur des menschlichen Gehirns ähneln. Diese Modelle erfordern Millionen von Aufzeichnungen zum Trainieren, können Menschen bei bestimmten Aufgaben jedoch oft ebenbürtig oder sogar übertreffen. So bleibt beispielsweise das Deep-Learning-Programm AlphaZero beim Schach ungeschlagen.

Tiefer Graben

Sie müssen tiefer graben als diese breiten, allgemeinen Begriffe, um zu sehen, wie legitim die KI / ML-Technologie eines Unternehmens ist. Sie müssen verstehen: Welches Problem wird gelöst? Welche KI / ML-Technologien werden zur Lösung verwendet? Wie und warum funktioniert diese Lösung? Bietet die Lösung einen Wettbewerbsvorteil gegenüber anderen Ansätzen?

Nehmen wir an, Sie möchten in ein neues Unternehmen im hypothetischen LawnTech-Bereich investieren.

Wenn das CIM die HornetNest-App des Unternehmens als „KI-System zur Ausrottung der Hornisse“ bezeichnet, sollten Sie mit dem technischen Produktteam tiefer graben, um die zugrunde liegenden Komponenten und Prozesse zu verstehen. Im Idealfall erhalten Sie am Ende eine Erklärung, die eher so klingt:

„Wir verwenden einen YOLO-basierten Objektdetektor mit einem Kalman-Filter, um Hornissen in Echtzeit zu identifizieren, zu zählen und zu verfolgen. Die Daten werden in einen Anomaliedetektor eingespeist, der Kunden automatisch warnt, wenn wir ein Verhalten sehen, das darauf hindeutet, dass sich in einem Umkreis von 50 Metern ein neues Nest befinden könnte. Durch eine exklusive Partnerschaft mit Orkin haben wir den weltweit größten Trainingssatz von Bildern zusammengestellt, der es uns ermöglicht, das Vorhandensein und die Position neuer Hornissennester genauer als jeder andere vorherzusagen.

Dieser Detaillierungsgrad ist erforderlich, um die Ausgereiftheit, den Wert und die Verteidigungsfähigkeit der KI-/ML-Assets eines Unternehmens zu verstehen.

Bewerten Sie das Gesamtbild

KI ist nicht nur eine Sache. Es ist das Produkt von sechs kritischen Komponenten, die für den KI-Wert wesentlich sind. Das Ausmaß, in dem diese Elemente effektiv zusammenarbeiten, kann Ihnen dabei helfen, die wertvollste KI von der weniger legitimen zu trennen.

Die Mannschaft

Dies ist vielleicht das wertvollste Kapital und der entscheidende Faktor für langfristigen Erfolg. Insbesondere ein starkes Data-Science-Team unter der Leitung eines erfahrenen Chief Data Scientist öffnet die Tür zu erstklassiger KI.

Die Daten

ML stützt sich auf Trainingsdaten, um die Modelle zu erstellen. Große Datenmengen, insbesondere proprietäre Daten, auf die Wettbewerber keinen Zugriff haben, schaffen einen erheblichen Wettbewerbsvorteil und eine Barriere. Als sehr grobe Faustregel benötigen Sie Zehntausende von Trainingsaufzeichnungen für traditionelles ML; Millionen für Deep Learning.

Der Ausbildungsprozess

Es gibt grundlegende Schulungsprozesse und fortgeschrittene Techniken, darunter automatisiertes maschinelles Lernen (AutoML), Hyperparameter-Tuning, aktives Lernen und schwache Überwachung. Die Fähigkeit eines Unternehmens, diese fortschrittlichen Techniken einzusetzen, führt zu reduzierten Kosten und verbesserter Qualität.

Operative Exzellenz

Über das Training der KI hinaus ist es wichtig, ihre allgemeine Pflege und Fütterung zu verstehen. Sie sollten die Qualitätssicherungs-, Test- und Fehlerzerlegungsprozesse verstehen. Wie werden zusätzliche Trainingsdaten gesammelt, wenn Schwachstellen identifiziert werden? Nehmen wir außerdem an, dass eine Stärke der KI darin besteht, Echtzeit-Feedback zu integrieren, um bestärkendes Lernen zu ermöglichen, oder eine Wissensdatenbank zusammenzustellen, um die Entscheidungsfindung zu unterstützen. In diesen Fällen müssen Prozesse aktiv verwaltet werden, um eine optimale Leistung sicherzustellen.

Die Models

Modelle sind Ergebnisse des Teams, der Daten und des Trainingsprozesses. Aber um als Vermögenswert betrachtet zu werden, brauchen sie immer noch viel Zeit, um sie zu erstellen und zu optimieren. Der Wert dieser Komponente wird durch die Anzahl der Modelle, über die ein Unternehmen verfügt, und die Ausgereiftheit der Modelle bestimmt.

Die KI-Entwicklungsinfrastruktur

Es gibt einen Unterschied zwischen einem Unternehmen, das ein paar ML-Modelle zusammengewürfelt hat, und einem Unternehmen, das über die Infrastruktur verfügt, um Modelle automatisch zu erstellen, neu zu trainieren, zu testen und bereitzustellen.

Verstehen Sie, wo das Unternehmen auf der KI-Reifeskala liegt

Basierend auf einer Stichprobe von mehr als 2.500 Technologieunternehmen, die unser Team in den letzten zwei Jahren sorgfältig untersucht hat, haben wir einige ziemlich konsistente Indikatoren für die KI-Reife festgestellt.

Etwa 10 % dieser Unternehmen fallen in die Kategorie „Keine KI“. Trotz allem, was sie sagen, ist es keine KI. Beispielsweise ist Software, die das Container-Routing optimiert, möglicherweise keine KI, sondern nur ein ausgeklügelter traditioneller Algorithmus.

Weitere 10 % fallen in die Kategorie „Non-proprietary AI“. In diesen Fällen verwendet das Unternehmen nur Public-Domain-Modelle oder MLaaS-Cloud-APIs, um KI zu nutzen. Ein Beispiel wäre die Verwendung der KI-basierten Textract-API von Amazon zur Erkennung von Text oder des öffentlich zugänglichen ResNet-Modells zur Erkennung von Objekten in Bildern. Dieser Ansatz kann als KI-basiert betrachtet werden, erfordert aber keine Trainingsdaten, einen Trainingsprozess, Data Scientists oder sogar viel Wissen über KI, um ihn zu implementieren. Bei diesem Ansatz gäbe es auch kein Wettbewerbsunterscheidungsmerkmal, da jedes Unternehmen dieselben öffentlich zugänglichen Vermögenswerte verwenden kann.

Die überwiegende Mehrheit, etwa 75 %, fällt in die Kategorie „Standard-KI“. Was wir am häufigsten sehen, sind Unternehmen, die proprietäre ML-Modelle trainieren, indem sie ihre eigenen Trainingsdaten in Kombination mit Standard-Trainingsalgorithmen verwenden. In dieser Klasse gibt es ein breites Spektrum an Raffinesse. Am einfacheren Ende des Spektrums befinden sich Unternehmen, die lineare Regressionsmodelle mit einer Bibliothek wie Pythons sklearn erstellen. Am komplexeren Ende befinden sich Unternehmen, die mehrere Deep-Learning-Modelle mit TensorFlow entwerfen und erstellen und fortschrittliche Optimierungstechniken wie Hyperparameter-Tuning, aktives Lernen und schwache Überwachung verwenden, um die Genauigkeit zu maximieren.

Die letzten 5 % fallen in die Kategorie „Spitzen-KI“. Diese Unternehmen sind über Standard-KI-Techniken hinausgegangen und haben ihre eigenen Modelltypen und Trainingsalgorithmen entwickelt, um die KI in neue Richtungen zu treiben. Dies stellt ein einzigartiges und patentierbares geistiges Eigentum dar, das einen Wert an sich hat, und die von diesen Unternehmen erstellten Modelle können Wettbewerber übertreffen, die Zugriff auf denselben Datensatz haben.

Es sieht aus wie das echte Geschäft – aber ist es das Richtige für Sie?

Sobald Sie die Details der KI selbst verstehen, sind Sie besser in der Lage, ihre Auswirkungen auf die Anlagethese zu verstehen. Hier sind zwei Faktoren zu berücksichtigen.

Erstens, was ist der Wert der KI? Da „KI“ sehr unterschiedliche Definitionen haben kann, ist eine ganzheitliche Betrachtung wichtig. Der Wert der KI-Assets eines Unternehmens ist die Summe der sechs oben genannten kritischen Teile: Team, Daten, Trainingsprozess, operative Exzellenz, Modelle und Entwicklungsinfrastruktur.

Eine andere Möglichkeit, den Wert von KI in einem Unternehmen zu betrachten, besteht darin, zu fragen, wie sie sich auf das Endergebnis auswirkt. Was würde mit Einnahmen und Kosten passieren, wenn die KI morgen verschwinden würde? Steigert es tatsächlich den Umsatz oder die operative Hebelwirkung? Und umgekehrt, welche Kosten sind erforderlich, um die Fähigkeit zu erhalten oder zu verbessern? Sie werden feststellen, dass KI alles sein kann, von einem leeren Marketing-Slogan bis hin zu einer Technologie, die für den Erfolg eines Unternehmens unerlässlich ist.

Zweitens, welche Risiken bringt die KI mit sich? Unbeabsichtigte algorithmische Voreingenommenheit kann Reputations- und Rechtsrisiken für das Unternehmen darstellen und sexistische, rassistische oder anderweitig diskriminierende KI schaffen. Im Fall von Krediten, Strafverfolgung, Wohnen, Bildung und Gesundheitswesen ist diese Art von Voreingenommenheit gesetzlich verboten und schwer zu verteidigen – selbst wenn sie unwissentlich auftritt. Stellen Sie sicher, dass Sie verstehen, wie sich das Ziel vor algorithmischen Verzerrungen geschützt hat und welche Schritte Sie unternehmen müssten, um eine weitere Verzerrung zu verhindern.

Der Datenschutz ist ein weiteres Anliegen, da KI häufig neue Ebenen von Datenschutz- und Sicherheitsprotokollen erfordert. Sie müssen verstehen, wie biometrische Daten (die als personenbezogene Daten gelten und durch Datenschutzgesetze geschützt sind) und sensible Bilder wie Gesichter, Nummernschilder und Computerbildschirme erfasst, verwendet und geschützt werden.

Der wahre Wert von KI

Die Realität ist, dass in der heutigen Technologielandschaft die meisten Unternehmen berechtigterweise einige KI-Fähigkeiten beanspruchen können. In den meisten Fällen entspricht die KI unserer Definition für „Standard“-Reife und funktioniert so, wie wir es erwarten. Als wir uns jedoch eingehender mit der Kategorie „Standard-KI“ befassten, stellten wir fest, dass nur etwa die Hälfte dieser Unternehmen Best Practices anwandte oder ein Wettbewerbsdifferenzierungsmerkmal schuf, das für Wettbewerber nur schwer zu übertreffen wäre. Die andere Hälfte war verbesserungswürdig.

Die Bestimmung des Werts von KI erfordert sowohl einen gründlichen Blick unter die Haube als auch ein differenziertes Verständnis der spezifischen Rolle der KI im Unternehmen. Tech Diligence, durchgeführt von Experten, die KI-Teams direkt geleitet haben, kann dazu beitragen, KI für Investoren zu entmystifizieren. Ziel ist es, Anlegern dabei zu helfen, genau zu verstehen, was sie kaufen, was sie für das Unternehmen tun können und was nicht, welche Risiken sie mit sich bringen und letztendlich, inwieweit sie die Anlagestrategie unterstützen.

Brian Conte ist leitender Praktiker für Kreuzsee. Jason Nichols ist ein Praktiker aus Crosslake und ehemaliger Leiter der KI bei Walmart. Barr Blanton ist Crosslake-CEO.

DatenEntscheider

Willkommen in der VentureBeat-Community!

DataDecisionMakers ist der Ort, an dem Experten, einschließlich der technischen Mitarbeiter, die mit Daten arbeiten, datenbezogene Erkenntnisse und Innovationen austauschen können.

Wenn Sie über innovative Ideen und aktuelle Informationen, Best Practices und die Zukunft von Daten und Datentechnologie lesen möchten, besuchen Sie uns bei DataDecisionMakers.

Vielleicht denken Sie sogar darüber nach, einen eigenen Artikel beizusteuern!

Lesen Sie mehr von DataDecisionMakers

Leave a Comment