هوش مصنوعی چگونه به نسل آلفا ختم می‌شود؟ | خطر خطرپذیران

پایه هوش مصنوعی VC: از اثربخشی عملیاتی تا تولید آلفا

وقتی از رسولی پرسیده شد که اندازه بهینه هوش مصنوعی برای یک صندوق سرمایه‌گذاری خطرپذیر (VC) امروز چگونه است، او توضیح داد که Sequoia، A16Z، Tiger Capital، Iconiq و دیگران در حال حاضر از ابزارهای هوش مصنوعی برای دو هدف اصلی بهره می‌برند: بهره‌وری عملیاتی و تولید آلفا. اولین مورد بر روی هر چیزی، از تجزیه‌وتحلیل داده‌ها، تا گزینه‌های کمک‌آزمایشی با هدف بهبود کارایی عملیاتی روزانه آنها متمرکز است، به‌عنوان مثال تولید سند و مدیریت فرآیند با استفاده از فناوری هوش مصنوعی مولد. تولید آلفا نیز شامل وظایف پیچیده‌تری است که به هوش مصنوعی پیش‌بینی‌کننده نیاز دارد: از قراردادهای منبع تا سرمایه‌گذاری، تطبیق با LPهای بهینه که می‌توانند در صندوق خود سرمایه‌گذاری کنند تا استخدام بهترین نامزدها برای کار در شرکت‌های پورتفوی موجود. رسولی می‌گوید، درحالی‌که یافتن معاملات بالقوه جدید بیشترین توجه را به خود جلب می‌کند، فرصت‌ها بسیار فراتر از آن هستند.

نمونه شرکت‌های سرمایه‌گذاری خطرپذیر که از هوش مصنوعی برای ایجاد اختلال در کسب‌وکار استفاده می‌کنند:   EQT، Motherbrain  هستند که تا به امروز 9 معامله را تامین کرده‌اند.

طلایابی (به معنای دست‌یافتن به یک روش یا تکنیک جدید که به‌طور ناگهانی و با قدرت بیشتری مسئله‌ای را حل می‌کند) برای به دست‌آوردن قدرت هوش مصنوعی در حال حاضر آغاز شده و همه صندوق‌های بزرگ سرمایه‌گذاری خود را بر روی تیم‌های داده و علم داده افزایش می‌دهند. یکی از نمونه‌های برجسته، پروژه EQT،Motherbrain است که از هوش مصنوعی برای شناسایی فرصت‌های سرمایه‌گذاری نویدبخش استفاده می‌کند. این پروژه در سال 2016 راه‌اندازی شد و به EQT Ventures کمک می‌کند تا در یافتن بهترین استارت‌آپ‌های فناوری، داده‌محور باشد. Motherbrain داده‌های خارجی از جمله داده‌های موجود در رسانه‌های اجتماعی را با داده‌های شرکت و 140 هزار داده تاریخی منحصربه‌فرد EQT ترکیب می‌کند تا ماشین خود را برای پیداکردن معاملات خوب آموزش دهد. نکته جالب این است که پلت‌فرم Motherbrain به نمونه‌های مورد استفاده دیگر از جمله پشتیبانی از ردیابی چرخه‌های عمر شرکت و کمک به تصمیم‌گیری سریع‌تر و مستدل‌تر رسیده است. EQT قابلیت‌های Motherbrain را نیز در اختیار تیم‌های منابع انسانی شرکت‌های پورتفولیوی خود به‌ویژه برای یافتن استعدادها قرار داده است. قابلیت‌های Motherbrain شامل تجزیه‌وتحلیل بازار، منبع‌یابی متخصص و معیار رقباست که گردش کار معامله EQT و منبع‌یابی موضوعی معامله را به‌طور قابل‌توجهی افزایش می‌دهد. شاید جالب‌ترین نتیجه این باشد که اصلی‌ترین ایده سرمایه‌گذاری EQT Ventures با 15 سرمایه‌گذاری کاملاً از طریق Motherbrain به اثبات رسیده است.  اما برنامه‌ها به همین جا ختم نمی‌شوند: یک سرمایه‌گذاری خصوصی یا یک صندوق سرمایه‌گذاری در مرحله بعدی به دنبال فرصت‌های دیگری هستند، زیرا آنها بر روی انبوهی از داده‌های مالی و عملکرد تاریخی در یک شرکت و بخش صنعت معین قرار دارند. بنابراین برخی سرمایه‌گذاران خطرپذیر (VCs) از هوش مصنوعی استفاده می‌کنند تا رشد سریع‌تری به شرکت‌های خود ببخشند یا حتی آنها را به‌گونه‌ای تغییر دهند که هوش مصنوعی را در روش تولید محصولاتشان تعبیه کنند، مشابه کار EQT که در بالا توصیف شد. درحالی‌که دیگران ممکن است به هوش مصنوعی صندلی سرمایه‌گذاری در کمیته سرمایه‌گذاری اختصاص بدهند، مثلاً جنرال‌آتلانتیک PE- به‌طوری‌که ماشین می‌تواند درست مانند یک انسان رای دهد. رسولی ادعا می‌کند که «به دلیل تنوع گسترده موارد استفاده و موفقیت‌های بی‌شمار در سرتاسر بخش‌های سرمایه‌گذاری، صندوق‌های سرمایه‌گذاری خطرپذیر (VC) آینده روشی به نام «رویکرد پلت‌فرم» را در پیش خواهند  گرفت که در آن هوش مصنوعی به‌صورت پراکنده برای یک کار واحد مانند گزارش یا منبع‌یابی جریان معامله کاربرد نخواهد داشت، در عوض در تاروپود شرکت بافته می‌شود و به‌عنوان بخشی جدایی‌ناپذیر از آن عمل می‌کند. EQT، Motherbrain نمونه‌ای از پلت‌فرم‌های رو به رشدی است که بیانگر رویکرد سرمایه‌گذاری خطرپذیر داخلی است. به جای استفاده از هوش مصنوعی به صورت پراکنده، آنها شروع به سرمایه‌گذاری روی پلت‌فرمی خواهند کرد که بتواند از صندوق از ابتدا تا انتها حمایت کند. همه این موارد در چرخه سرمایه‌گذاری، از جذب سرمایه گرفته تا یافتن معاملات، ارائه مدیریت یا ملاقات با تیم، اجرای معامله تا تغییرات و در نهایت خروج از معامله، استفاده می‌شود».

به‌کارگیری هوش مصنوعی برای تامین منابع بنیان‌گذاران به جای شرکت‌ها در سرمایه‌گذاری VC، به‌ویژه در مراحل اولیه، بنیان‌گذاران استارت‌آپ‌ها هستند. رسولی بیان می‌کند که این تکنیک در میان صندوق‌های سرمایه‌گذاری VC  استفاده می‌شود و برای روشن شدن موضوع  مثالی می‌زند: «اگر بنیان‌گذار در یک شرکت معتبر کار می‌کند و ناگهان لینکدین او متوقف می‌شود، مانند اینکه لینکدین خود را به‌روزرسانی نمی‌کنند یا چیزی پست نمی‌کنند، احتمالاً مخفیانه در حال ایجاد یک استارت‌آپ هستند. بنابراین دقیقاً زمانی است که یک VC می‌خواهد به آنها نزدیک شود، ارتباط برقرار کند و در مورد برنامه‌های شرکت و جمع‌آوری سرمایه با آنها صحبت کند. به این ترتیب آنها می‌توانند با ورود زودهنگام به معامله و یافتن جواهرات پنهان در این بازار رقابتی، رقبا را شکست دهند.» وی همچنین اشاره می‌کند که تنها در دو سال گذشته بیش از 200 مقاله دانشگاهی با موضوع استفاده از هوش مصنوعی در VCها منتشر شده است. یکی از نمونه‌ها Whitepaper است؛ در مورد انسان در مقابل رایانه: معیارهای سرمایه‌گذاران خطرپذیر و الگوریتم‌های یادگیری ماشین برای غربالگری سرمایه‌گذاری، که در آن نویسندگان به این نتیجه رسیدند که پس از ناشناس‌سازی 10 شرکت، الگوریتم در واقع بهتر از 111 متخصص VC در تصمیم‌گیری سرمایه‌گذاری عمل کرد. این بدان معنا نیست که انسان‌ها جایگزین خواهند شد، اما همان‌طور که نویسنده هم تاکید می‌کند، صندوق‌ها می‌توانند از یک راه‌حل تقویت‌شده بهره ببرند که در آن الگوریتم‌ها قسمت بالایی قیف جریان معامله را محدود می‌کنند و به متخصصان سرمایه‌گذاری VC اجازه می‌دهند تلاش‌های خود را بر روی قسمت پایین قیف متمرکز کنند. رسولی نتیجه می‌گیرد: «آنها از آن الگوها به ماشین آموزش می‌دهند و سپس همان پرسش را با ماشین مطرح می‌کنند. و ماشین در واقع از سرمایه‌گذاران بهتر عمل می‌کرد. این سیگنال است- یکی از راه‌هایی است که آنها آموزش دیده‌اند. آنها نشان دادند که این الگوریتم‌ها در انتخاب فرصت‌های سرمایه‌گذاری در مورد استارت‌آپ‌ها بهتر از انسان‌ها عمل می‌کنند و الگوریتم‌های زیادی در آنجا وجود دارد! آنها فعالانه به مشخصات یک شرکت، موسس آن، تاریخچه مالی و هر داده‌ای که وجود دارد، نگاه می‌کنند و بررسی می‌کنند که آیا این با ایده اصلی سرمایه‌گذاری یک VC مطابقت دارد یا خیر.»

نگرانی درباره حفظ حریم خصوصی و آزمایش‌های ناموفق هوش مصنوعی  

چگونه بفهمیم که چرا ماشین‌ها استارت‌آپ‌هایی را انتخاب کرده‌اند؟ رسولی تصریح می‌کند: «فناوری اساسی در پشت تمامی این تکنیک‌های هوش مصنوعی، شبکه عصبی است. شبکه‌های عصبی هر چند جعبه سیاه هستند، اما هنوز از نظر ریاضی نمی‌دانیم که چرا آنها یک گزینه معین را انتخاب می‌کنند. درک اینکه آنها چه می‌کنند سخت است. هنگامی که داده‌های زیادی به آنها می‌دهید، جادوی شبکه عصبی رخ می‌دهد. هنگامی که این شبکه با داده‌های مناسب و قابل‌توجه تغذیه شود، جادو ناگهان اتفاق می‌افتد و الگوها بهتر از آنچه بشر می‌تواند انجام دهد، دست به انتخاب می‌زنند.» چالش دیگر شبکه‌های عصبی این است که آنها تمایل دارند اطلاعات مربوط به ورودی‌های خود را در گره‌های خود به روش‌های پیچیده‌ای که ما نمی‌دانیم ثبت کنند. بنابراین، اگر ورودی‌های حساسی برای آموزش ماشین در نظر گرفته شود، ممکن است صندوق را در معرض خطر حریم خصوصی قرار دهند. این یک چالش است، زیرا درعین‌حال، ما هنوز نمی‌دانیم چگونه ورودی خاصی را که برای آموزش شبکه عصبی استفاده می‌شود از گره‌های آن حذف کنیم. همه اینها به این معنی است که بهترین رویکرد عملی برای هوش مصنوعی بدون ریسک، اجتناب از انتقال اطلاعات حساس برای آموزش شبکه‌های عصبی در وهله اول است. این به هیچ‌وجه به معنای استفاده نکردن از ابزار هوش مصنوعی نیست، بلکه به این معناست که رویکردهای مهندسی متناسب با هر صندوق را برای کاهش ریسک اتخاذ کنید. رسولی همچنین تایید می‌کند که سرمایه‌گذاری خصوصی پیچیده‌تر از سرمایه‌گذاری دولتی است. چرا؟ زیرا بازار VC خصوصی نیاز به تطبیق دوطرفه دارد. وقتی از منظر مهندسی به آن فکر می‌کنید، الگوریتم یک دارایی خوب را با یک صندوق VC مناسب با یک ایده اصلی تطبیق می‌دهد، بنابراین یک «الگوریتم پیشنهاددهنده» است- پیچیده‌تر کردن کل فرآیند به دلیل متغیرهای اضافی. این در مورد صندوق‌های تامینی و معاملات سهام صدق نمی‌کند؛ زیرا صرفاً تطبیق‌دادن یک‌طرفه است و آن را به یک «الگوریتم جست‌وجو» تبدیل می‌کند که برای هوش مصنوعی فرآیند بسیار ساده‌تری محسوب می‌شود. با اتوماسیون گزارش‌دهی و یادداشت‌های سرمایه‌گذاری، در زمان شرکا و مدیران ارشد تا 80 درصد صرفه‌جویی می‌شود. یکی از مهم‌ترین وظایف هر صندوق، گزارش‌دادن به LPهای خود است. تهیه بسته استاندارد گزارشگری از گزارش‌های فصلی، صورت‌های مالی و صورت‌های حساب سرمایه کاری بسیار خسته‌کننده و زمان‌بر است- اما از آنجا که این اسناد به LPهایشان بازگردانده می‌شوند، یک عنصر حیاتی در تجارت است. رسولی توضیح می‌دهد که این یک مثال عالی است که در آن هوش مصنوعی می‌تواند در زمان و هزینه صرفه‌جویی کند: «این مورد، نمونه‌ای بی‌نظیر از فرصتی است که بدون نیاز به تلاش بیشتر، به‌سرعت می‌توان به آن دست یافت و تقریباً برای همه VCها کاربرد دارد. این کاملاً کاری است که باید با ماشین‌ها انجام شود- و من انتظار دارم در دو سال آینده هیچ‌کس این کار را به روشی که امروز ماشین‌ها انجام می‌دهند، انجام ندهد. اکنون، در شرکت خودم، AIx2، با گروه خود، از مواردی مشابه استفاده می‌کنیم. یکی از مشتریانی که ما به آنها خدمات می‌دهیم با استفاده از چنین ابزارهایی توانسته است 80 درصد از زمان سرمایه‌گذاری خود را صرفه‌جویی کند. این یک واقعیت است که درواقع نوشتن یادداشت‌های سرمایه‌گذاری و گزارش‌دادن به LPها بیشتر کارهای روزمره آنهاست- و اکنون آنها زمان و پول بیشتری برای تمرکز روی تجارت خود دارند.» رسولی در ادامه به این نتیجه می‌رسد که «این نوع موارد استفاده جذابیت خاصی دارد، زیرا برای خودکارکردن چنین فرآیندهایی به داده‌های زیادی نیاز ندارید».

معضل خرید در مقابل ساخت در ادغام هوش مصنوعی

شرکت‌های VC با یک تصمیم مهم روبه‌رو هستند: ساختن یک سیستم هوش مصنوعی داخلی یا خرید ابزارهای موجود. شرکت‌های بزرگ‌تر ممکن است به دلیل منابع و نیازهای خاص خود، توسعه داخلی را انتخاب کنند، که به اعتقاد رسولی حرکتی پسندیده و جسورانه است که باید انجام دهند. این توسعه داخلی با نیازهای عملیاتی خاص و استراتژی‌های سرمایه‌گذاری آنها مطابقت دارد و راه‌حلی متناسب ارائه می‌دهد که مزایای هوش مصنوعی را در فرآیندهای آنها بیشینه می‌کند. بااین‌حال، برای سرمایه‌های کوچک‌تر، این رویکرد ممکن است با توجه به پیچیدگی‌ها و هزینه‌های مربوط به توسعه نرم‌افزار غیرعملی باشد. یک جایگزین، استفاده از ابزارهای هوش مصنوعی است، اما این رویکرد می‌تواند به یک اکوسیستم تکه‌تکه‌شده از راه‌حل‌های نرم‌افزاری متعدد منجر شود که ممکن است به‌خوبی در هم ادغام نشوند. راه‌حل ایده‌آل برای صندوق در یک راه میانی نهفته است؛ مشارکت با شخص ثالث برای توسعه یک استراتژی هوش مصنوعی مناسب و سپس اجرای موارد اولویت‌دار در یک رویکرد پلت‌فرم منسجم که این قابلیت را دارد که موارد استفاده آینده از آن استخراج شود. این رویکرد به شرکت‌های VC اجازه می‌دهد از قابلیت‌های تخصصی هوش مصنوعی بدون ایجاد و حفظ زیرساخت‌های داخلی فناوری اطلاعات گسترده بهره ببرند. رسولی در ادامه‌ می‌گوید، معیارهای یک شریک ثالث توسعه هوش مصنوعی خوب را می‌توان به شرح زیر خلاصه کرد. وی درحالی‌که برای ارائه این فهرست از شیوه‌های مشابه مک‌کینزی، دانشگاه و کارفرمای قبلی خود کمک می‌گیرد، همچنین تاکید می‌کند که تحول هوش مصنوعی نیازمند قابلیت‌های مهندسی عمیق هوش مصنوعی است.

   1- تخصص در فناوری هوش مصنوعی: شریک شخص ثالث توسعه هوش مصنوعی نه‌تنها باید مهندسان ماهر و متخصصان یادگیری ماشینی داشته باشد، بلکه باید از همکاری دانشمندان داده نیز برخوردار باشد که عمیقاً در مورد هوش مصنوعی آگاه هستند. آنها باید قادر به درک و به‌کارگیری آخرین تحقیقات و پیشرفت‌ها در این زمینه باشند تا اطمینان پیدا کنند که فناوری پیشرفته و رقابتی باقی می‌ماند. تحقیقات در آزمایشگاه‌های برتر دانشگاهی یا صنعتی سیگنالی برای چنین قابلیتی است.

   2- دانش دامنه در سرمایه‌گذاری: بسیار مهم است که شریک توسعه هوش مصنوعی که انتخاب می‌کنید، درک کاملی از  سرمایه‌گذاری و تجربه کار با شرکت‌های سرمایه‌گذاری خطرپذیر داشته باشد. این تضمین می‌کند که راه‌حل‌های AI توسعه‌یافته مرتبط و سفارشی‌سازی شده‌اند تا نیازهای خاص صنعت VC را برآورده کنند.

   3- رویکرد مشارکتی: شریک هوش مصنوعی باید با همکاری نزدیک با شرکت‌های VC به‌گونه‌ای سازگار شود که اصطکاک را به حداقل برساند. این موضوع شامل درک تفاوت‌های ظریف صنعت سرمایه‌گذاری و اجرای راه‌حل‌های هوش مصنوعی به شیوه‌ای است که حداقل تخریب و درعین‌حال حداکثر فایده را برای عملیات شرکت VC داشته باشد. همچنین برای اطلاع از توسعه نیازمند درک فرهنگ صندوق است.

1- توسعه استراتژی جامع: یک شریک هوش مصنوعی خوب باید به توسعه یک استراتژی هوش مصنوعی کامل که با چشم‌انداز و اهداف کلی شرکت VC همسو باشد کمک کند.

2- پیاده‌سازی استراتژیک: شریک باید در انتخاب استراتژیک و اولویت‌بندی موارد استفاده برای اجرای هوش مصنوعی کمک کند. این کار شامل شناسایی برنامه‌هایی است که به احتمال زیاد موفق می‌شوند و مزایای ملموسی را ارائه می‌دهند، در نتیجه از تجربه اولیه مثبت با هوش مصنوعی در شرکت اطمینان حاصل می‌شود.

آموزش مدیران صندوق با هوش مصنوعی: تحول موفق هوش مصنوعی باید از سوی مدیران ارشد صندوق هدایت شود. برای انجام این کار، مدیران باید با دانشی در مورد هوش مصنوعی که برای کسب‌وکار آنها لازم است و آنچه برای اجرای موفقیت‌آمیز آن در صندوق لازم است، توانمند شوند. آنها باید افسانه جادویی و هوش مصنوعی را بدانند. یک شریک توسعه هوش مصنوعی خوب باید بتواند این بخش مهم را به صندوق ارائه دهد.

 امکان مشاوره در زمینه تغییر هوش مصنوعی در شرکت‌های پورتفوی: یک شریک هوش مصنوعی خوب باید آگاه و قادر باشد که چنین استراتژی را برای صندوق توسعه دهد و مدیران را در این فرآیند راهنمایی کند.

در اصل، شریک ایده‌آل هوش مصنوعی ترکیبی است از تخصص فنی، دانش خاص صنعت، رویکرد مشارکتی، قابلیت‌های برنامه‌ریزی استراتژیک و دیدگاهی جامع از اینکه چگونه هوش مصنوعی می‌تواند عملیات یک شرکت VC را متحول کند.