Intelligent Enterprise: В чем состоит бизнес Deep Knowledge Ventures? Какие проекты он финансирует?
Дмитрий Каминский: Фонд Deep Knowledge Ventures существует с начала 2014 года. Мы инвестируем наиболее перспективные разработки в таких отраслях, как биотехнологии (прежде всего в сфере персонализированной медицины), коммерческое освоение космоса, информационные технологии (в основном связанные с искусственным интеллектом и обработкой больших данных), новые высокотехнологичные финансовые инструменты (финтех), а также те отрасли и технологии, где предполагается очень быстрый, экспоненциальный рост. Таких отраслей, по нашим подсчетам, всего около тридцати.
Одни только средства борьбы со старением и профилактика таких заболеваний, как рак, диабет, болезни Альцгеймера и Паркинсона, приведут к таким последствиям, финальный положительный эффект которых сейчас трудно представить. Уже сегодня можно с уверенностью прогнозировать существенное ускорение процессов продления активной жизнедеятельности. Я сторонник активного долголетия и убежден, что даже те, кому сейчас шестьдесят, имеют все шансы сохранить свою работоспособность лет до восьмидесяти. Причем во многих случаях для этого достаточно хорошо известных средств, давно существующих на рынке.
Какие инструменты автоматизации деятельности венчурных фондов наиболее значимы для успешности их бизнеса?
Приоритет может быть только один: найти те проекты, которые принесут прибыль, и соответственно отсеять бесперспективные. В противном случае доходность венчурного фонда будет не выше, чем у традиционного хедж-фонда, — где-то в районе 10% годовых. Учитывая, что реальная инфляция даже в развитых странах примерно равна этому показателю, прибыль в самом лучшем случае является нулевой. А вот доходность от правильно выбранного проекта должна превышать вложения на порядок. По-настоящему же успешный проект способен принести на два, а тои на три порядка больше средств, чем было затрачено на его разработку, запуск и развитие.
Как видно из нашего названия, полтора года назад мы начинали в качестве венчурного фонда, но сегодня таковыми себя не считаем. Строго говоря, слово Venture в английском языке не является эквивалентом именно инвестирования в рискованные активы. Сейчас у обычных венчурных фондов очень мало успешных проектов. Из практики бизнеса известно, что для оценки перспективности таких проектов используются разного рода скоринговые инструменты. Но по большому счету они те же, что и пятнадцать-двадцать лет назад, во времена бума доткомов. И они оказались неспособными предотвратить образование огромного «пузыря», а затем и краха. Напомню, именно крах доткомов привел в 2000–2001 годах к разорению огромного количества венчурных фондов, что стало показателем, скажем дипломатично, не слишком высокой эффективности их подхода. Тем не менее были очень успешные проекты, в том числе Facebook, Google и еще ряд компаний, выросших с нуля. Так, первые капиталовложения в тот же Facebook составили лишь 500 тысяч долларов, тогда как сейчас стоимость компании уже давно перевалила за сотни миллиардов.
Технологии не стоят на месте, с 2000 года скорость расширения потоков данных, с которыми необходимо работать аналитикам, существенно возрастает. В итоге отставание от ситуации на рынке увеличивалось, что еще более снижало эффективность венчурных фондов. Конечно, закон Мура продолжал действовать, и та вычислительная мощность, которой могли располагать венчурные бизнесмены, увеличилась даже не в разы, а на порядки. Но это не могло исправить сложившуюся ситуацию, поскольку аналитические алгоритмы не сильно менялись. Помимо этого недопустимо игнорировать человеческий фактор, ведь на принятие решений часто влияют разного рода эмоции или просто усталость. Нельзя, к сожалению, исключать и моменты, связанные с коррупцией или ангажированностью эксперта и подателя заявки.
Кроме того, венчурные фонды, которые создавались выходцами из фондового рынка, использовали привычные традиционные инструменты финансовой аналитики, чего на данный момент абсолютно недостаточно для планирования вложений в инновации. В итоге они создали ситуацию, когда при аудите проектов осуществляется скоринг финансов, а не стоящих за проектами людей. И такой односторонностью страдают даже продвинутые в технологическом отношении фонды, которые не боятся вкладывать значительные ресурсы в разработку и совершенствование систем искусственного интеллекта, ориентированного на анализ инвестиций.
Как возникла идея использовать искусственный интеллект для решения бизнес-задач?
Эти инструменты позволяют применить принципы четкой машинной логики, которыми оперирует искусственный интеллект (AI), чтобы максимально уйти от негативного влияния человеческого фактора. AI должен анализировать большие объемы данных, причем совсем необязательно структурируемых, и выявлять некие скрытые закономерности, часто нечеткие на первый взгляд. Например, сначала мы думали выявлять с помощью определенного набора паттернов потенциально успешные проекты, но оказалось, что проще вычленять как раз те, которые являются потенциально проблемными, хотя их и существенно больше. По нашим подсчетам количество потенциально провальных проектов составляет 99% от их общего числа. Иными словами, если мы вычерпаем всю лишнюю воду из пруда, то неизбежно поймаем нашу золотую рыбку — потенциально успешный проект.
Гипотетически понятно, что у потенциально неудачных проектов есть свои характерные особенности. Мы смогли подтвердить эту гипотезу научными методами, изучив большую базу провальных проектов, и заложили тем самым паттерны для искусственного интеллекта. Мы картографируем каждую сферу деятельности, где работаем, и составляем для нее модель, которая включает в себя целый ряд факторов, значимых для моделирования. И к 2013 году развитие AI, особенно в части машинного обучения, совершило прорыв, так что теперь можно анализировать намного больше значимых факторов в сравнении с традиционными аналитическими моделями. Наша модель представляет собой многомерную векторную структуру, которая строится для каждой компании, как для успешной, так и для неуспешной. Кроме того, анализируются неочевидные закономерности в потоках данных, которыми оперирует та или иная отрасль. В биотехнологиях это данные больших масс людей (на настоящий момент в базе около 10 млн человек), в финтехе — данные о финансовых транзакциях. Как видите, эти массивы огромны, человек обработать их просто не в состоянии. Но только так можно увидеть в представленном проекте то самое слабое звено, ту технологическую ошибку, которая делает начинание бесперспективным.
При этом у проекта может быть блестящая научная основа, но совершенно не проработаны вопросы, связанные с монетизацией этих наработок. Такова в целом специфика фундаментальной науки. Есть много примеров того, как самые гениальные ученые, совершившие судьбоносные открытия, не имели ни малейшего понятия о практическом применении их результатов. А при этом еще слабые, недоработанные результаты с помощью эффектного PR’а могут показаться перспективными, хотя за ними и не стоит ничего реального. Такая ситуация довольно характерна для США, где методам эффектной подачи учат со школы. Да и в целом в США не так всё хорошо с инновациями, как это принято считать, за исключением той области, что относится к социальным сетям и мобильным приложениям. Проектамв другихотрасляхкрайнесложнополучитьвенчурноефинансирование. А вот в России, да и во всех странах бывшего СССР, ситуация прямо противоположная: перспективные идеи часто надолго забываются из-за слабой проработки вопросов, связанных с практическим внедрением полученных результатов. Если же посмотреть на ситуацию, сложившуюся в Китае, то там главной проблемой является низкая эффективность работы больших коллективов. Одним словом, в каждой стране свои проблемы, и какой то идеальной точки я не назову. Считается, что лучшие условия для инновационного бизнеса в Сингапуре, но и там немало проблемных точек. В Москве, например, при наличии политической воли можно за несколько лет создать условия, сравнимые с Сингапуром, а по некоторым аспектам и превосходящие.
В один прекрасный день наше внимание привлек некий стартап, и в итоге мы приобрели его. Главной разработкой этого коллектива был прототип аналитической платформы, использующей собственный движок для обработки больших данных. Положительным моментом стало и то, что этот AI изначально был предназначен для сферы биотехнологий. Впоследствии мы назвали его VITAL — Validating Investment Tool for Advancing Life Sciences, инструмент для выбора инвестиций в целях усовершенствований в сфере наук о жизни. Своих аналитиков мы нацелили на то, чтобы «научить» систему работать. Для этого понадобились загрузка и обработка очень больших объемов информации, с которыми работает вся отрасль, чтобы сначала превратить неструктурированные данные в структурированные, а потом, подключив механизмы самообучения, выявлять определенные закономерности. Затем эти алгоритмы анализа совершенствовались в сторону глубокого обучения и прогнозирования. На основе данных о проектах строились те самые модели, анализ которых позволял уяснить, будет ли стартап успешным или нет. Уже спустя год VITAL стал готов для практической работы, а еще через год он достиг полной зрелости.
После этого мы адаптировали его для аэрокосмической отрасли. Такая адаптация получила наименование SPOCK — Space Program Ontologically Computed Knowledge, онтологическая база знаний в области аэрокосмических программ. Времени на его запуск потребовалось уже вдвое меньше, чем ушло на глубокое обучение VITAL.
Так что у нас есть уверенность, что адаптация AI для других индустрий пройдет как минимум с той же скоростью. В августе нынешнего года мы начали работу над инструментом, ориентированным на финтех. Поскольку данная область сложнее, мы будем использовать внешний ресурс. Уже есть предварительная договоренность с IBM на использование их суперкомпьютера Watson, с которым у нас был опыт успешной работы в других проектах, в частности, связанных с персонализированным лечением онкологических заболеваний. В самом ближайшем будущем стартует проект в области нанотехнологий. Для него мы привлекаем одного из ведущих экспертов в данной области. Подробности последуют в январе-феврале 2016-го. Точно могу сказать, что мы планируем варианты AI и для других отраслей. Причем адаптация с каждым разом занимает все меньше времени благодаря использованию имеющихся наработок.
Эти работы по обучению AI мы начали года два назад, и только сейчас другие венчурные фонды начали двигаться в том же направлении. Так что у нас была фора в 18 месяцев по сравнению, например, с Google Ventures, который приступил к этим работам лишь весной 2015 года. Шаг в том же направлении сделала и одна из американских энергетических компаний, включив в свое руководство признанного специалиста по анализу больших данных.
Какой эффект дало использование AI? Насколько существенным он оказался?
На начальной фазе своего развития мы использовали аналитиков-людей. Они должны быть специалистами в своей области и иметь за плечами диплом признанного университета, такого как Оксфорд, Кембридж, Йель и т. п. Эти специалисты крайне дороги: их заработная плата составляет не менее 10 тыс. долл. в месяц. При этом результаты их деятельности были далеко не блестящи, если говорить точнее, то они были как у хорошего стандартного венчурного фонда. Мы вовремя поняли, что можем просто разориться на оплате работы этих аналитиков задолго до того, как компетенция нашего фонда достигнет действительно серьезного уровня. Причем злой умысел с их стороны отсутствовал, они были уверены, что делают очень хорошую работу.
Появление инструментов AI позволило начать процесс сокращения количества аналитиков. Мы высвободили более десяти специалистов. И смогли не только сэкономить на их оплате, но и, самое главное, выработать более эффективную систему аналитики.
Мы пошли еще дальше, включив AI в наш совет директоров. Это означает, что скоринг проектов, которые выставляются на рассмотрение инвестиционного комитета фонда, проводится параллельно AI, с одной стороны, и остальными его членами — с другой. Если голоса совпадают, неважно, в пользу проекта или против, то вопросов не возникает. Если же мнения разделились, анализ проводится повторно, как правило, с учетом новых данных. И так повторяется до тех пор, пока разногласия не будут исчерпаны. Пока больше трех голосований по рассмотрению одного и того же проекта мы не проводили. Самое существенное, что в отличие от других фондов мы не ограничиваемся одними только финансовыми показателями. При рассмотрении проекта помимо учета прочих параметров используется система математических уравнений с более чем тремястами переменными в общей сложности для каждого случая.
При этом никаких проблем с контролирующими органами не возникало. Мы находимся в Гонконге, и у нас очень конструктивные отношения с местными властями. Эта территория заинтересована в привлечении инновационных бизнесов, старается не причинять разного рода дополнительных неудобств, в том числе бюрократического характера. В других странах проблемы из-за такого нашего решения вполне могли бы возникнуть. Ведьмы видим, какие сложности имеются у Uber, с которым пытаются бороться в некоторых государствах, в том числе и не вполне цивилизованными методами.
В чем преимущества AI перед аналитиками-людьми? И есть ли у людей преимущества перед AI?
Правда жизни в том, что у аналитиков-людей на анализ остается не так много времени. Здесь работает принцип Парето — 80/20: в большинстве случаев аналитики тратят на поиск нужной информации где-то 80% своего временного ресурса. При этом на определение корректности данных часто не остается времени. А о том, как важен этот фактор в нынешних условиях, напоминать не надо. Кроме того, у людей нередко, что называется, «замыливается глаз». Единственным преимуществом аналитика-человека является интуиция, но на нее надежды мало. Тем более, что многие гуру инвестиционного анализа получили свой статус только потому, что смогли увидеть за свою карьеру лишь один перспективный проект, в то время как при оценке остальных проектов они допускали ошибки. Нельзя исключать влияние и таких факторов, как усталость или эмоции, о которых я уже говорил. Искусственный же интеллект работает по принципу железной логики.
Есть и еще одно ограничение: аналитики-люди являются узкими специалистами. Тот, кто может анализировать проекты в аэрокосмической области, точно не сумеет глубоко разобраться в финтехе или в биотехнологиях. Более того, хороший специалист, например, в авиации может оказаться несостоятельным в космонавтике. Помимо этого напомню, что самые лучшие специалисты просто не в состоянии обработать те объемы данных, с которыми необходимо сейчас работать. Наши же системы по мере того, как они поглощают все больше информации и начинают анализировать все больше разных индустрий, становятся все умнее и умнее.
Так что сегодня мы стоим на пороге новой технологической революции, когда бизнес будет мигрировать из физического мира в виртуальный. Причем произойдет это уже очень скоро: не позже, чем через 10 лет, большая часть ВВП в развитых странах будет производиться не людьми. Роботы вытеснят «синих воротничков» из производства, а всяческого рода системы искусственного интеллекта заменят многих «белых воротничков», по крайней мере в финансовой индустрии. Совершенно не факт, что в этой экономике главную роль будут играть США и Китай. Как показали наши недавние исследования, США сильно отстают в области финтеха из-за внутренней зарегулированности и ряда других проблем.
Люди при этом будут занимать рабочие места в тех областях, где их качества востребованы в наибольшей степени. Наши виртуальные помощники просто избавят нас от огромного объема деятельности, связанной с выполнением рутинных операций. Так что никакого всплеска безработицы я не стал бы ждать. Мы же не наблюдали его на рубеже 70-х и 80-х годов прошлого века, когда промышленные роботы начали вытеснять конвейерных рабочих в Европе, в Южной Корее и Японии.
Аналитические системы с искусственным интеллектом никогда не заменят людей полностью. Но они станут для них инструментом, позволяющим принять правильное решение с более высокой скоростью реакции на разного рода события. В итоге те решения, на принятие которых раньше уходили месяцы, будут приниматься за минуты. Кроме того, AI позволяет отделять реально значимые события от второстепенных, что также может иметь большую прибавочную стоимость. Причем большие объемы данных станут фактором, повышающим качество работы этих систем, а отнюдь не препятствием. И именно там, где нужно обрабатывать большие объемы данных, эти системы будут наиболее эффективны. Мы приближаем будущее, строим его сегодня — но нам необходимы именно позитивные сценарии развития для всего человечества. И AI уже сегодня начинает становиться надежным помощником в развитии нашей цивилизации.
С Дмитрием Каминским беседовал обозреватель Intelligent Enterprise Яков Шпунт
