被AI改变的风投模式:数据驱动使效率提高10倍

简介:
本文来自AI新媒体量子位(QbitAI)

赶在其他人之前找到有趣的投资目标,是风险投资公司面临的最大挑战之一。好消息是,机器学习和预测分析正逐步改变投资者构建投资组合的方式。

“我的工作是每周坐一次飞机去不同的欧洲城市,找到那些从事有趣事情的人。”IReach Ventures联合创始人Roberto Bonanzinga 说,他之前曾经在英国风险投资公司Baldeerton Capital担任合伙人,主要投资早期的欧洲科技公司。

640?wx_fmt=png&wxfrom=5&wx_lazy=1

 Roberto Bonanzinga

这种做法效率很低。“我每天看50家公司,大概每月1500家,其中100家可能进入下一阶段。我们每月会做一笔交易。”

Bonanzinga表示,通常情况下,有前景的公司并不会高调寻找资金。除非创业公司的创始人人脉很广,或者身处伦敦或硅谷这样的科技中心,否则投资者几乎没有机会发现它们。

如果将互联网数据和机器学习结合起来,是不是能更好地寻找好公司呢?InReach Ventures花了两年时间和500万英镑开发了这款软件,可以抓取9.5万家欧洲创业公司,从中选出2000家可能感兴趣的公司。

这个软件的决策依据是这些创业公司正在招聘的人、开发中的产品以及网站的流量等因素。例如,InReach将立陶宛创业公司Oberlo视为一个投资目标,原因是它正在面向工程师们做广告,以解决某种电子商务问题。Bonanzinga说:“我们在欧洲的其他风险投资公司还不知道他们之前,就完成了一笔交易。”

“原本需要手工完成的工作已经可以大幅扩充规模。” Bonanzinga说,“效率提高了10倍。”迄今为止,InReach Ventures已经投资了7家公司,虽然现在说投资组合的表现还为时过早,但Bonanzinga已经退出了一笔交易,刚刚投资了12个月之后,就把Oberlo卖给了加拿大电子商务公司Shoipify。

640?wx_fmt=png&wxfrom=5&wx_lazy=1

 北美在AI行业遥遥领先

位于旧金山的SignalFire是首批转向这种数据驱动模式的风投公司之一。其创始人Chris Farmer大约在2007年就开始在风险投资中使用数据模式。他在之前的效力的公司中使用基本算法来追踪产品在苹果App Store中的表现等各种因素。

他希望建立一个更复杂的系统,以更全面的方式追踪公司,因此在2013年创立了SignalFire。他花了8年,耗费数千万美元建造了一个“迷你谷歌”。该软件目前追踪全球800万家创业公司,数据来源包括销售数据、学术刊物和财务报表等。如果一家公司表现出色,或者从事引人关注项目,就会被标记在控制面板上。然后,SignalFire便可据此可以部署其管理的3.75亿美元资金。

640?wx_fmt=png&wxfrom=5&wx_lazy=1

 Chris Farmer

10年前,Farmer说,这个项目根本不可能实现。“当时没有现在的这些数据和处理能力。我们需要的计算能力和存储能力只有大型消费互联网公司才有。”但现在,由于Hadoop和Apache Spark等数据库工具的出现,再加上可以从AWS租赁廉价的服务器,因此就算规模较小的公司也可以大规模地处理数据。

与Bonanzinga一样,Farmer也表示,该系统正在帮助他挖掘原本无法挖掘出来的公司。

“我们的投资组合来自于更广泛的地理范围。我们支持了 一家来自罗马尼亚的公司,如果是在以前,我们根本不会发现这家公司。我们已经不仅局限于有人脉的创业者,还在跟一些初次创业的人打交道。虽然并没有完全消除偏见,但确实使之更像一个精英统治,让你再看一眼。”他说。然而,现在判断投资组合的表现还为时过早。

总部位于斯德哥尔摩的创业公司Aibl Tech的联合创始人Aaron Joyce就从数据驱动的方法中受益。Aibl帮助公司分析客户数据,他们刚成立几个月被Bonanzinga发现了。

“我们已经开始向一些当地投资者融资,但我们运气不太好,只能跟初级员工聊天。之后,Bonanzinga给我们发了电子邮件。我一开始很怀疑,竟然有风投合伙人联系我。我从来没有想过我们能有机会通过他这样的人筹集资金。”Joyce说,“这是一种更加精英化的投资方式。关键不再于你认识谁,也不在于你是哪里毕业的。”

斯德哥尔摩的EQT Ventures的合伙人Andreas Thorstensson表示,他目前约有30%的投资决定是通过他建立的一个名为Motherbrain的数据分析平台完成的。该平台每天监控着约200万家公司。Thorstensson先生表示,他经常投资那些可能以前就有资金的企业家。“数据不会说谎。”他说。

d32a560ca42ea45e5c2d3a5385196ee62dadc82b

除了给不同的创业公司提供机会之外,机器学习还可能改变风险投资行业的结构。SignalFire的结构就像一个科技公司——数据科学家和工程师对公司的业务至关重要,而且持有公司股份。“我们不像对待IT部门那样对待他们。他们是公司的核心。”Farmer说。

与此同时,Bonanzinga是InReach公司唯一的投资合伙人,该公司拥有软件和数据科学家团队,他们负责取代传统风投公司员工。

运行和维护数据平台的成本相当高。Farmer表示,他每年的花费超过1000万美元,而Bonanzinga计划每年至少花费100万英镑。“这将改变风险投资公司的开支方式。传统风投的多数费用都花在工资上。而未来则用于聘请数据和电脑科学家,以及购买优秀的数据来源。” Bonanzinga说。

但EQT的Thorstensson表示,他不相信机器会显著减少整个行业的就业机会。他说:“这将使我们能够花更多的时间与我们投资的公司在一起,而不是去做普通的事情,做乏味的工作。人工智能是过滤噪音的好方法,但投资终归还是要靠直觉。”

本文作者:李杉
原文发布时间:2017-12-15 
相关文章
|
29天前
|
人工智能 搜索推荐 Java
[AI OpenAI] MavenAGI推出由OpenAI驱动的自动化客户支持代理
MavenAGI推出了一款由GPT-4驱动的AI客户服务代理,为Tripadvisor和HubSpot等公司提高了效率并降低了成本。
[AI OpenAI] MavenAGI推出由OpenAI驱动的自动化客户支持代理
|
29天前
|
机器学习/深度学习 数据采集 人工智能
没有指数级数据就没有Zero-shot!生成式AI或已到达顶峰
【5月更文挑战第29天】生成式AI论文引发关注,提出无指数级数据增长或致其发展达顶峰。依赖大量数据的生成式AI可能已遇瓶颈,零样本学习能力受限。尽管有挑战,但研究建议关注数据质量、探索新算法及跨领域应用,同时应对环境、伦理问题。[论文链接](https://arxiv.org/pdf/2404.04125)
47 5
|
1月前
|
存储 人工智能 自然语言处理
AI 驱动的 WordPress(MEAP)(一)(5)
AI 驱动的 WordPress(MEAP)(一)
33 0
|
30天前
|
机器学习/深度学习 人工智能 自然语言处理
探索软件测试的未来:AI 驱动的自动化测试方法
【5月更文挑战第29天】随着人工智能(AI)技术的不断发展和成熟,其在软件测试领域的应用也日益广泛。本文旨在探讨 AI 如何改变软件测试的面貌,特别是自动化测试方法。我们将分析当前自动化测试的挑战,并介绍 AI 如何提供解决方案,包括智能化测试用例生成、测试执行优化、以及结果分析等。通过实际案例研究,我们还将讨论 AI 在提高测试效率、减少错误和提升软件质量保障中的作用。最后,文章将预测 AI 在自动化测试领域的未来趋势,并提出对测试工程师的建议。
|
5天前
|
机器学习/深度学习 人工智能 算法
Scaling Law触礁数据墙?Epoch AI发文预测LLM到2028年耗尽所有文本数据
【6月更文挑战第23天】Epoch AI警告,大语言模型(LLM)可能在2026-2032年间面临“数据墙”,因人类生成文本数据耗尽。论文探讨LLM扩展限制,提出合成数据、迁移学习和提高数据效率作为应对策略,但也引发数据隐私和伦理问题。研究敦促平衡模型发展与数据资源管理[[1](https://arxiv.org/abs/2211.04325)]。
18 6
|
3天前
|
机器学习/深度学习 人工智能 算法
【AIGC】揭秘驱动AI创新的关键力量:领军者的角色
【AIGC】揭秘驱动AI创新的关键力量:领军者的角色
61 1
|
16天前
|
人工智能 Python Shell
CodeFormer——AI驱动的面部图像修复与增强
CodeFormer是由南洋理工大学和商汤科技联合研发的AI人脸复原模型,结合VQGAN和Transformer技术,能从模糊或马赛克图像中生成清晰图像。它具备老照片修复、黑白照片彩色化、马赛克修复和低码率视频增强等功能。安装过程涉及miniconda3、Python环境配置、相关库的安装及模型训练数据下载。在测试视频增强时,虽然初期遇到ffmpeg导入问题,但通过安装ffmpeg-python得以解决,不过CPU占用率高。此外,还展示了对图片进行增强的命令行操作及结果示例。
|
24天前
|
机器学习/深度学习 人工智能 算法
探索软件测试的新时代:AI驱动的自动化
【6月更文挑战第4天】随着人工智能技术的不断进步,软件测试领域正经历着一场革命。本文将探讨AI如何改变传统的软件测试方法,提高测试效率和准确性,以及这一趋势对测试工程师未来技能要求的影响。
28 6
|
27天前
|
机器学习/深度学习 人工智能 安全
探索软件测试的新时代:AI驱动的测试自动化
本文深入探讨了人工智能(AI)如何革新软件测试领域,特别是测试自动化。随着AI技术的不断进步,它为测试自动化带来了前所未有的效率和准确性,从而极大地提高了软件开发的速度和质量。本文将详细介绍AI在软件测试中的应用,以及它如何帮助测试人员克服传统测试方法的局限性。
|
29天前
|
人工智能 自然语言处理 安全
构建未来:AI驱动的自适应网络安全防御系统提升软件测试效率:自动化与持续集成的实践之路
【5月更文挑战第30天】 在数字化时代,网络安全已成为维护信息完整性、保障用户隐私和企业持续运营的关键。传统的安全防御手段,如防火墙和入侵检测系统,面对日益复杂的网络攻击已显得力不从心。本文提出了一种基于人工智能(AI)技术的自适应网络安全防御系统,该系统能够实时分析网络流量,自动识别潜在威胁,并动态调整防御策略以应对未知攻击。通过深度学习算法和自然语言处理技术的结合,系统不仅能够提高检测速度和准确性,还能自主学习和适应新型攻击模式,从而显著提升网络安全防御的效率和智能化水平。 【5月更文挑战第30天】 在快速迭代的软件开发周期中,传统的手动测试方法已不再适应现代高效交付的要求。本文探讨了如

热门文章

最新文章