Искусственный интеллект в венчурном инвестировании

Если вы следите за контентом на моём канале, за новостями или просто за повседневной жизнью, то, вероятно, знаете, что область искусственного интеллекта набирает всё большую популярность в обществе. Прелесть ИИ в том, что это не отдельная область, не связанная исключительно с технологической сферой. ИИ находит применение в сотнях различных областей, некоторые из которых мы уже рассматривали на этом канале, например, биотехнология и маркетинг. В сегодняшнем видео мы узнаем о том, как ИИ применяется в конкретной сфере бизнеса, играющей жизненно важную роль в нашем обществе — венчурном капитале. Итак, искусственный интеллект. Благодаря огромному объёму больших данных, доступных в обществе, венчурные фирмы могут объединять информацию о компаниях с маркетинговыми исследованиями и другими данными, чтобы получить более полное представление о недавно созданных компаниях. Эти обширные базы данных могут использоваться моделями искусственного интеллекта и машинного обучения для прогнозирования того, какие стартапы с наибольшей вероятностью добьются успеха, предоставляя венчурным капиталистам гораздо более быстрый, эффективный и точный метод отбора стартапов и выбора нескольких для инвестирования, которые могут принести большую прибыль. Венчурные капиталисты, которые долгое время финансировали компании, занимающиеся искусственным интеллектом, теперь начинают использовать технологии ИИ и алгоритмы, основанные на данных, чтобы получить конкурентное преимущество при принятии инвестиционных решений. Например, компания Peachscore, занимающаяся искусственным интеллектом, использует такие показатели, как присутствие в социальных сетях, данные из магазинов приложений и веб-сайтов, отзывы о продуктах и ​​238 других факторов оценки для генерации рейтинга риска и персонализированного аналитического отчета для каждой стартап-компании. Эта исчерпывающая информация может помочь венчурным капиталистам обнаружить потенциально нерентабельные стартапы, в которые, возможно, не стоит инвестировать. В качестве другого примера, Вероника Ву, партнер-основатель Hone Capital, американского подразделения одной из крупнейших венчурных компаний Китая, разработала модель машинного обучения, чтобы помочь ей в принятии инвестиционных решений. Ее модель машинного обучения использует базу данных, содержащую более 30 000 сделок за последние 10 лет. Модель учитывает 20 различных факторов, которые были определены как наиболее значимые для определения успеха инвестиций, таких как образование команды основателей, предыдущие контакты с инвесторами, общий объем привлеченных средств и т. д. Благодаря своей модели и анализируемым факторам она также обнаружила такие закономерности, как, например, тот факт, что сделка с двумя основателями из разных университетов с большей вероятностью приведет к успешному запуску стартапа, чем сделка с двумя основателями из одного университета. Разнообразие точек зрения играет важную роль в успехе. Чтобы проверить эффективность своего алгоритма по сравнению с ручным процессом, она обнаружила, что 40% компаний, рекомендованных ее моделью, впоследствии привлекли еще один раунд финансирования, что свидетельствует об их успехе и перспективности, что в 2,5 раза превышает исторический объем инвестиций венчурного капитала. Другая компания, создавшая инструменты ИИ для венчурных капиталистов, — VenturePole. VenturePole использует модель машинного обучения, основанную на 6 миллионах точек данных из 700 000 компаний, применяя такие методы, как анализ главных компонентов и обучение без учителя, для прогнозирования и визуального отображения уровня инвестиционного риска для каждой компании по сравнению с другими компаниями в базе данных. Так что, если модели ИИ так эффективно выбирают компании, в которые стоит инвестировать, означает ли это, что научные сотрудники венчурных фирм скоро останутся без работы? Не совсем. Дело в том, что, как и большинство разработок в области ИИ, технология ИИ призвана дополнять ручной процесс и работать бок о бок с людьми, поскольку ничто не может заменить человеческие эмоции, познание и креативность. И вмешательство человека особенно необходимо, когда алгоритмы ИИ начинают вносить нежелательные предубеждения в процесс принятия решений, как это недавно сделал один алгоритм, разработанный Harvard Business Review. HBR создал инвестиционный алгоритм и сравнил его с результатами примерно 250 других инвесторов. Они обнаружили, что модель показала лучшие результаты, чем начинающие инвесторы, но не такие хорошие, как их опытные коллеги. Основная причина этого расхождения заключалась в том, что модель демонстрировала предвзятость, которую не замечали опытные инвесторы, например, склонность к белым мужчинам-предпринимателям по сравнению с представителями других рас и женщинами, поскольку исторически женщины и основатели из числа меньшинств получали меньше капитала, поэтому данные, на которые опирается алгоритм, смещены в сторону белых мужчин. Именно поэтому крайне важно сочетать опыт и знания людей с вычи...