Η Τεχνητή Νοημοσύνη από την μεριά των επενδυτών

Η Τεχνητή Νοημοσύνη έχει γίνει αγαπημένο τσιτάτο στα στόματα των απανταχού επενδυτών, οι πιο πολλοί από τους οποίους αναγνωρίζουν τις τεράστιες δυνατότητες που έχει η συγκεκριμένη τεχνολογία να γίνει η πιο ριζοσπαστική τεχνολογία από την Βιομηχανική Επανάσταση και μετά. Μπορεί να ακούγεται ιδιαίτερα βαρύγδουπο,αλλά η αλήθεια είναι πως η Τεχνητή Νοημοσύνη και οι επιπτώσεις της μπορεί να είναι μεγαλύτερες από όλες τις τάσεις της τεχνολογίας συνδυασμένες και οι επενδυτές δε θα μπορούσαν να αφήσουν τέτοιες ευκαιρίες να πάνε χαμένες, σύμφωνα με ανάλυση της JVP.

Από επενδυτικής άποψης, η Τεχνητή Νοημοσύνη μπορεί να χωριστεί σε τέσσερις κύριους τομείς. Υποδομές, αλγόριθμοι, πλατφόρμες και εφαρμογές.

Σε ότι έχει να κάνει με τις υποδομές, εκεί περιλαμβάνονται τεχνολογίες και εταιρείες που παρέχουν τις βάσεις που μπορούν να επιτρέπουν την ανάπτυξη και την χρήση της Τεχνητής Νοημοσύνης. machine learning, deep learning, επεξεργασία φυσικής γλώσσας και computer vision, συμπεριλαμβανομένης της υποδομής cloud, εξειδικευμένους ημιαγωγούς και επεξεργαστές, συσκευές αποθήκευσης μεγάλου όγκου, βάσεις δεδομένων με χαμηλό latency και πολλά άλλα.



Από την πλευρά των αλγορίθμων,το επενδυτικό ενδιαφέρον κινείται σε νευρωνικά δίκτυα, αλγόριθμους ομαδοποίησης και ταξινόμησης,

Οι πλατφόρμες Τεχνητής Νοημοσύνης έχουν εφαρμογή σε εγκαταστάσεις που επιτρέπουν την ταχεία ανάπτυξη εφαρμογών, την τυποποίηση των επιχειρηματικών διαδικασιών και μεγαλύτερη διαφάνεια, επαναληψιμότητα και συνεργατικές προσπάθειες.

Τέλος ο τομέας των εφαρμογών εστιάζει στην χρήση των στοιχείων και των μεθόδων της Τεχνητής Νοημοσύνης σε μια ποικιλία από διαφορετικές επιπτώσεις χρήσης, επίλυσης και βελτίωσης της λειτουργίας της επιχείρησης, καθετοποιημένες βιομηχανικές μονάδες και φυσικά τις πλατφόρμες για καταναλωτική χρήση.

Με λίγα λόγια η Τεχνητή Νοημοσύνη σήμερα χρησιμοποιείται κυρίως για τη βελτίωση σε εργασίες που οι άνθρωποι δεν κάνουν καλά, την αντιμετώπιση των προκλήσεων όπως η ταχύτητα, η λανθάνουσα κατάσταση, επαναλαμβανόμενες εργασίες, ή τα επίπεδα ακρίβειας. Οι άνθρωποι είναι πολύ καλοί στην επεξεργασία των μη δομημένων δεδομένων. Ωστόσο, οι άνθρωποι δεν μπορούν να επεξεργαστούν πολύ καλά τεράστιες ποσότητες δομημένων δεδομένων. Για παράδειγμα, όσον αφορά το Computer vision, η Τεχνητή Νοημοσύνη βελτιώνει ή να επιτρέπει μια ευρεία ποικιλία εφαρμογών συμπεριλαμβανομένων των pick-and-place ρομποτικών βραχιόνων, διαγνωστικών υγειονομικής περίθαλψης, αυτόνομων αυτοκίνητων και πολλά άλλα. Εφαρμογές στην επεξεργασία φυσικής γλώσσας περιλαμβάνουν τους προσωπικούς ηλεκτρονικούς βοηθούς πίσω από τα έξυπνα σπίτια, ανάλυσης κειμένου, και bots.

Πως θα επηρεάσει όμως αυτό την καθημερινή μας ζωή; Στο εγγύς μέλλον θα είμαστε σε θέση να χρησιμοποιήσουμε την Τεχνητή Νοημοσύνη για να περιγράψουμε τι γίνεται σε ένα ξενόγλωσσο βίντεο, να αναζητήσουμε έγγραφα που σχετίζονται με deep learning και να τα συνοψίσουμε, να μας βοηθήσει να εντοπίσουμε την διαβητική αμφιβληστροειδοπάθεια στο ανθρώπινο μάτι, ακόμα και να μας φέρει μια κούπα καφέ από την κουζίνα.

Μπορεί όλα αυτά να ακούγονται σαν να έχουν μόλις βγει από ταινία επιστημονικής φαντασίας, όμως έχουν οδηγήσει σε μια έκρηξη των παγκόσμιων επενδύσεων στον τομέα της Τεχνητής Νοημοσύνης τα τελευταία πέντε χρόνια, φτάνοντας το συνολικό ποσό επενδύσεων σε 15 δισ. δολάρια μέσα από 2.250 συναλλαγές και πάνω από 200 εξαγορές και συγχωνεύσεις.

Ιδιαίτερα ωφελημένες θα μπορούν επίσης να βγουν οι startups που θα δραστηριοποιηθούν σε συστήματα τεχνητής νοημοσύνης, μεταξύ των οποίων:
Πλατφόρμες που θα χρησιμοποιούν Τεχνητή Νοημοσύνη, στο εξορθολογισμό της Τεχ. Νοημοσύνης και στον συνδυασμό της με την παραδοσιακή ανάπτυξη εμπορικού λογισμικού.
Αλγοριθμικές προσεγγίσεις που εφαρμόζουν μάθηση χωρίς επίβλεψη, μετάδοση γνώσης μεταξύ συστημάτων και ενίσχυση της εφαρμογής της Τεχνητής Νοημοσύνης σε καθετοποιημένες αγορές.

Σε ένα κόσμο που τα διαφοροποιημένα σύνολα δεδομένων είναι οι κινητήριες δυνάμεις ανάπτυξης, οι νέες επιχειρήσεις που είναι σε θέση να αποκτήσουν πρόσβαση σε βιομηχανικά δεδομένα θα έχουν ένα πολύ σημαντικό πλεονέκτημα. Για παράδειγμα, ένα μοντέλο που θα προσομοιώνει τον πραγματικό κόσμο σε ελεγχόμενες συνθήκες, για εκπαιδευτικές ανάγκες, είναι ιδιαίτερα χρήσιμο σε πάρα πολλές μεγάλες μονάδες και θα αντιμετωπίσει θερμή υποδοχή από επενδυτές. Επίσης η δυνατότητα εύκολης εκπαίδευσης των μηχανών (machine learning) μέσω αλγοριθμικών μοντέλων που θα αντιμετωπίζουν συγκεκριμένα σενάρια, με ελάττωση του τεράστιου όγκου δεδομένων που απαιτείται σήμερα, είναι ένας σίγουρος δρόμος για την επιτυχία μιας νέας επιχείρησης.

Μεγάλες εταιρείες που διαχειρίζονται τεράστιους όγκους δεδομένων και πληροφοριών (όπως οι Google, Amazon, Apple, Facebook κτλ), έχουν ήδη ξεκινήσει να δραστηριοποιούνται σε αυτό τον τομέα και δείχνουν ιδιαίτερα πρόθυμες να εξαγοράσουν και να συγχωνεύσουν εταιρείες που θα τους προσφέρουν έτοιμες τις διαδικασίες που θα απαιτούσε μεγάλα κεφάλαια για να ολοκληρώσουν μόνες τους.