Le guide de VC sur l’apprentissage automatique – Le démarrage

« L’intelligence artificielle a commencé avec un ancien désir de forger les dieux. »

Dans les mots singuliers de Pamela McCorduck, Intelligence artificielle ou AI découle de notre désir de «forger les dieux», un concept qui existe depuis des milliers d’années.

Dans la mythologie grecque de «Les Argonautes et la quête de la toison d’or», Jason – un héros mortel et chef des Argonautes – recherche la « Toison d’or » et au long de son voyage ardu se bat Talos – un gargantuesque non humain en bronze massif.

Des représentations de l’IA apparaissent également dans le judaïsme, la philosophie chinoise, japonaise et indienne.

Avec l’adoption exponentielle d’assistants vocaux intelligents comme Alexa d’Amazon et Siri d’Apple, il semble que l’IA soit un élément fondamental de la nature humaine pour s’étendre au-delà de nous-mêmes, une qualité innée du désir de l’humanité d’être sans limites.

Avec cet ancien rêve humain pour les deux compréhension et créer de l’intelligence, plongeons-nous dans le monde merveilleux de Apprentissage automatique ou ML.

Pour vraiment comprendre l’apprentissage automatique, c’est vraiment comprendre la représentation.

La façon dont nous interprétons et comprenons le monde en tant qu’êtres humains dépend en grande partie de notre représentation de la réalité (popularisé comme «Modèles mentaux» par Charlie Munger).

Prenez par exemple le Géocentrique Modèle vs Héliocentrique Modèle de notre propre système solaire.

Comme les trajectoires compliquées et absurdes de la géocentrique ou «Terre-centre» montre clairement ci-dessus, ayant la représentation correcte (héliocentrique ou “Soleil-centre” modèle) fait un monde de différence.

De même, pensez au Machine Learning comme une passerelle vers le Saint Graal technologique du parfait représentation machine de la réalité – la passerelle vers le Singularité technologique.

Si vous comprenez vraiment cela (avec la préface que la connaissance est distincte de la compréhension), tout le jargon technique et les longs discours des fondateurs techniques peuvent commencer à avoir un sens.

Aujourd’hui, je voudrais souligner les principales réalisations de décennies de Recherche sur l’apprentissage automatiqueet comment l’appliquer compréhension prendre des décisions d’investissement supérieures pour un investissement de Apprentissage automatique / Deep Learning les entreprises en démarrage.

Avertissement: même avec les algorithmes de Deep Learning actuels et à la pointe de la technologie, le Machine Learning en est encore à ses balbutiements. Texte, Vision, et Voix applications. Ce cadre simple à 3 thèmes s’avérera inestimable même lorsque vous explorerez les technologies d’apprentissage automatique les plus avancées, car il vous évitera les opportunités d’investissement qui sont des promesses vides comme la frauduleuse Licorne Theranos.

Nous connaissons et aimons tous Google Traduction, le site Web qui peut traduire instantanément entre plus de 100 langues humaines différentes comme par magie.

Quelle est la technologie derrière Google Traduction?

Sans entrer dans les détails techniques, l’idée clé qui a rendu possible Google Translate et les centaines d’autres applications pour de nombreux « alimentés par l’IA » Texte et langue startups est Réseaux de neurones récurrents ou RNN.

En termes simples, les RNN sont modèles informatiques simplifiés des éléments de base du cerveau humain – les neurones.

Ce qui rend les RNN plus intelligents (la partie «récurrente») que les autres «réseaux de neurones», c’est qu’ils améliorent continuellement leurs modèles internes basés sur rétroaction externe.

Ceci est analogue à la façon dont un enfant apprend à marcher pour la première fois – les motoneurones travaillent en étroite collaboration avec les neurones du cortex pré frontal pour sentir et apprendre sur la base des commentaires.

Passer à Vision, nous avons tous entendu parler de Google Waymo, General Motors » Croisière, et même UberEfforts propres des voitures autonomes / autonomes.

Quelle est la technologie clé derrière cette industrie révolutionnaire?

Bien qu’il existe de nombreuses pièces mobiles (Lidar, GPS, IMU) à tout ensemble de technologies autonomes comme Waymo, sans doute un élément central est le Vision La technologie.

Vous ne devriez pas être surpris d’apprendre que l’état de l’art Vision par ordinateur s’appuie fortement sur le Machine Learning, et plus précisément sur un type de «réseau neuronal» appelé Réseaux de neurones convolutifs ou CNN.

Que sont les CNN?

Considérez-les comme « Spatialement invariant » les réseaux de neurones.

Qu’est-ce que ça veut dire?

Invariance spatiale est une idée simple selon laquelle l’identité d’un objet ne change pas en raison de sa position dans une image ou une vidéo.

Les derniers CNN étant révolutionnaires «Segmentation sémantique» appelé CNN de forme fermée – nous sommes capables de réaliser Classification au niveau des pixels d’obstacles routiers.

De côté: la technologie sous-jacente de conduite autonome, y compris tout algorithme ML Vision, fournit simplement les bases pour résoudre un problème de niveau supérieur appelé CLAQUER ou localisation et cartographie simultanées, le problème étant la capacité d’un agent à construire simultanément une carte de son environnement inconnu tout en gardant une trace de son emplacement.

Alexa, concluons avec Machine Learning pour Voix applications.

Transformers – à ne pas confondre avec les immenses robots intergalactiques du américain films d’action de science-fiction – sont la technologie derrière Traitement du langage naturel, le cœur de tout depuis Amazon Alexa et Apple Siri.

Que sont les transformateurs?

Les transformateurs sont un type de L’apprentissage en profondeur architecture introduit en 2017 qui a fait progresser de façon exponentielle le domaine de Traitement du langage naturel ou PNL.

En entrant dans le détails techniques, Les transformateurs consistent en une nouvelle architecture informatique composée d’un ensemble de « Codeurs » enchaîné avec un ensemble de « Décodeurs. »

Considérez-les comme une architecture de système de niveau supérieur très intelligente réseaux de neurones récurrents nous l’avons mentionné ci-dessus.

Amuse-gueule amusant: Google a lancé un appel à projets Transformer BERT – nommé d’après le personnage Muppet de Rue de Sesame – qui a été formé avec d’énormes quantités de données vocales et un élément central de la technologie derrière de nombreuses startups activées par la voix.

Maintenant que vous comprenez les trois applications clés du Machine Learning, appliquons ces connaissances à un stade précoce investissement en capital-risque.

Ci-dessous, nous les cartographions Thèmes d’apprentissage automatique pour les startups représentatives.

1. Texte: nous avons des startups exceptionnelles comme HyperScience, permettant une automatisation intelligente du traitement manuel des documents, et Grammaire, permettant la correction de la grammaire en temps réel et les prévisions de langue (structure de phrase)
2. Vision: nous avons des entreprises à un stade avancé comme SenseTime, offrant une vision par ordinateur de pointe dans un modèle SaaS, complétant les startups en phase de démarrage comme comprendre.ai, fournissant des données de formation solides pour les startups de véhicules autonomes / autonomes comme Google Waymo.
3. Voix: avec la voix d’Amazon uniquement Fonds Alexa fournir le carburéacteur pour de nombreuses startups comme Aspinity, fournissant des dispositifs neuromorphiques à très faible puissance, et Comet ML, une plateforme de collaboration d’apprentissage automatique basée sur le cloud pour les chercheurs, et Incarné, produisant une voix EdTech plate-forme pour les enfants.

Bien sûr, vous devez réaliser que ce n’est pas une cartographie rigide car il y aura des entreprises dont les produits et services peuvent s’étendre et recouper l’un ou l’ensemble de ces thèmes d’investissement.

Par exemple, considérez un Chirurgien télé-opéré assisté par robot, ce qui permettrait à un chirurgien d’opérer à distance pendant Humain dans la boucle type de système.

Au milieu du COVID-19[feminine pandémie, un tel système d’IA peut être un investissement intéressant New York-Presbyterian Hospital / Weill Cornell Medicine – le plus grand système hospitalier des États-Unis avec plus de 2 000 lits d’hôpitaux – avec sa propre branche d’entreprise NYP Ventures.

En utilisant Vision ML algorithmes pour identifier les organes vitaux et les vaisseaux sanguins, un tel système d’IA peut tirer parti Voice ML des algorithmes pour traduire les instructions du chirurgien humain à des assistants médicaux sur place qui peuvent être dans un pays différent parlant une langue différente, ce qui peut nécessiter Texte ML algorithmes pour les traductions de langues en temps réel.

D’accord, je suis vendu sur Machine Learning et prêt à écrire quelques feuilles de termes.

Prenons un peu de recul en premier.

Avec autant d’entreprises Tech défaillantes comme Magic Leap prétendant qu’ils utilisent le Machine Learning, il est probablement préférable que vous lisiez d’abord ma liste de Drapeaux rouges parmi les centaines de réunions et de présentations auxquelles j’ai personnellement participé pour des startups AI / ML.

Armé de la compréhension de la réaliste applications du Machine Learning et du pratique thèmes investissables (Texte, Vision, et Voix), vous êtes maintenant prêt à évaluer la montagne de startups Tech qui prétendent qu’elles sont «compatibles AI / ML».

Mon approche pour traiter le dépistage est une technique empruntée au grec Stoïcisme.

En soustrayant ce que nous ne savons pas de quelque chose, nous pouvons réellement progresser beaucoup plus rapidement pour acquérir une véritable compréhension de ce que ce quelque chose prétend être.

Appliquons cela à Capital de risque traiter le dépistage des startups en Machine Learning.

Voici mes drapeaux rouges lors de vos rencontres avec les fondateurs.

• L’un des co-fondateurs n’a pas de formation technique dans TIGE. L’apprentissage automatique est très difficile à «reprendre» – à moins que vous ne soyez un génie, c’est quelque chose que vous devez absorber pendant vos années d’apprentissage au collège.
• Fondateurs qui boivent leur propre Kool-Aid avec un mauvaise compréhension de la réalité.
• La présentation contient une utilisation fréquente de mots à la mode comme «Intelligence artificielle», «Alimenté par l’IA», «ML-enabled», «Smart», Super-Intelligent »et les variantes / combinaisons de ces mots.
• Les fondateurs (à savoir le CTO) qui se concentrent uniquement sur recherche scientifique et n’ont pas réfléchi à la façon de commercialiser leur technologie d’apprentissage automatique.
• Des fondateurs qui ne comprennent pas limites de l’apprentissage automatique. Par exemple, affirmer que le Machine Learning peut rédiger de nouvelles demandes de brevet sur la base d’une analyse de la littérature antérieure en matière de brevets est un non-sens complet avec les recherches actuelles en ML.
• Fondateurs avec barrières de sortie basses ou le risque de baisse, à savoir les fondateurs ayant peu de capitaux propres dans leur entreprise ou quelque chose sur lequel se rabattre (valeur nette élevée ou autre emploi).
• Tout argument qui prétend avoir atteint Intelligence artificielle générale ou AGI – c’est le Saint Graal. S’ils découvraient AGI, ils ne parleraient pas avec vous – ils utiliseraient leur AGI pour gagner beaucoup d’argent sur les marchés financiers.

AI forte, également connue sous le nom d’intelligence générale artificielle, est l’idée que l’intelligence machine égalera un jour et dépassera l’intelligence humaine.

En supposant que l’IA forte est vraie – et c’est toujours un discutable hypothèse – quel est le chemin vers l’ancien rêve de l’humanité de créer l’intelligence?

Plusieurs idées fondamentales dans l’apprentissage en profondeur sont basées sur la construction des architectures des réseaux de neurones que nous avons décrites ci-dessus, y compris Réseaux contradictoires génératifs (GAN), Réseaux de mémoire à court terme (LTSM), et en général des idées de attention, transférer l’apprentissage, méta-apprentissageet le changement de paradigme enseignement supervisé à auto-jeu.

Par exemple, la réalisation la plus marquante du Machine Learning est survenue lorsqu’un agent de l’IA appelé AlphaGo a vaincu le joueur humain le mieux classé dans Go (Lee Sedol) après seulement trois jours d’apprentissage, un jeu qui est exponentiellement plus difficile à maîtriser que les échecs.

Ainsi, l’avenir du Machine Learning sera un apprentissage non supervisé où un agent IA apprendra lui-même la capacité de construire et d’améliorer sa propre architecture et je dirais, non basé sur une fonction de récompense définie par les humains – l’agent AI, dans le cours d’auto-apprentissage, optimiser implicitement une fonction de récompense supprimée de tout biais humain.

Revenant à la citation originale de Pamela McCorduck.

Intelligence artificielleet Machine Learning, est le évolution naturelle du désir de l’humanité de «forger les dieux», et en tant que tel, il y aura des fortunes incalculables faites par ces fondateurs et investisseurs exceptionnels qui comprennent vraiment l’apprentissage automatique, il peut donc être utile de comprendre cette dernière frontière de la technologie.

Par Andrew Vo, CFA

Investisseur chez Radna Intellectual Ventures

Radna Intellectual Ventures est un studio de démarrage d’entreprise ayant pour mission de permettre à la prochaine génération de sociétés Deep Technologies ou Deep Tech, en mettant l’accent sur les technologies d’apprentissage automatique, de traitement du langage naturel et de blockchain.

Notre commandité, Andrew Vo, a passé une décennie dans la finance, travaillant chez certains des plus grands gestionnaires d’investissement comme J.P.Morgan, avant de poursuivre la voie entrepreneuriale. Andrew est conseiller pour les start-ups se concentrant sur les secteurs FinTech et DeepTech. Andrew est CFA Charterholder et détient une maîtrise ès sciences en génie informatique de l’Université Cornell et un baccalauréat ès sciences en génie électrique et informatique de l’Université de Californie, Berkeley.

En savoir plus sur Radna Intellectual Ventures ici.

– Publié le 22 mai 2020