4 VC-er illustrerer hvorfor det er god grunn til å være optimistisk når det gjelder oppstartsmarkedet for maskinlæring
Når du snakker om investeringer i oppstart av kunstig intelligens versus oppstart av maskinlæring, er det viktig å skille «AI» fra «maskinlæring». Disse setningene brukes ofte om hverandre, men de har en litt annen betydning.
Maskinlæring, eller ML, er en metode for å trene AI-modeller slik at de kan lære å ta beslutninger. Sagt på en annen måte involverer ML treningsmodeller for å løse spesifikke oppgaver ved å lære av data og lage spådommer. AI, på den annen side, er det bredere konseptet for systemer som etterligner menneskelig erkjennelse.
Så ML er et underfelt av AI, men ikke det samme.
Lonne Jaffe, administrerende direktør i Insight Partners, forklarer at Insight bruker et “tre-lags” rammeverk for å pakke ut definisjonen av en ML-oppstart.
Vi utvider linsen vår og ser etter flere investorer til å delta i TechCrunch+-undersøkelser, der vi spør toppprofesjonelle om utfordringer i deres bransje.
Hvis du er en investor og ønsker å delta i fremtidige undersøkelser, fyll ut dette skjemaet.
I det første laget, sier han, er kjerneinfrastrukturselskaper – produkter som en person bygger et ML-system med. I det andre laget er apper som søker å takle en bestemt brukssak eller arbeidsflyt ved hjelp av ML. Det tredje laget omfatter i mellomtiden ML-startups som manifesterer seg innenfor en bransje som en “faktisk aktør” i den bransjen – tenk startups som blir en startup-bank, selv om kjernen i oppstarten fortsatt er ML-talent.
I henhold til dette rammeverket spenner eksempler på ML-startups fra Weights & Biases, som gir verktøy for å lage og overvåke AI-modeller, til Iterative Health, et helseselskap som utnytter et ML-system designet for å identifisere kreftpolypper fra en koloskopi.
Markedet for ML er ganske stort, med en rapport fra Grand View Research som anslår at det var verdt 49,6 milliarder dollar i 2022 og kunne vokse med en CAGR på 33,5 % innen 2030. Og det har bygget seg opp en stund: En undersøkelse fra 2021 av Dresner Advisory Tjenester fant at 59 % av alle store bedrifter implementerer ML, og 50 % av disse organisasjonene hevder å ha 25 eller flere ML-modeller i bruk i dag.
Hvorfor vokser dette området så raskt? 451 Research, den teknologiske R&D-gruppen innen S&P, hevdet i en fersk rapport at den første bølgen av ML-adopsjon fokuserte på å gjøre eldre systemer og prosesser smartere – som forretningsintelligens, kundestøtte, salg og markedsføring og sikkerhet. Men nå, ettersom disse applikasjonene modnes, har oppmerksomheten flyttet seg til mer nisje, bransjespesifikke og lukrative ML-applikasjoner, spesielt innen finans, detaljhandel, produksjon og helsevesen.
Jerry Chen, en partner i Greylock, mener vi akkurat begynner å se hva neste generasjon ML-selskaper vil bli. “Syklusen går sterkt,” sa han til TechCrunch+. «Jeg er nysgjerrig på å se hvordan etablerte selskaper og teknologiske aktører kommer inn i, konkurrerer eller samarbeider med startupene. Spesielt tror jeg vi vil se noen interessante go-to-market partnerskap i løpet av de neste månedene.»
Men hva med det bredere VC-økosystemet? Er VC-er generelt optimistiske med tanke på fremtiden til ML?
For å få en bedre forståelse undersøkte TechCrunch+ investorer inkludert Chen og Jaffe om tilstanden til ML-investeringer i dag. Vi kom inn på helsen til ML-finansieringslandskapet, og om hypen rundt ML, som for flere år siden var ganske sterk, begynner å dø ned. Vi spurte også investorer hvilke utfordringer som står i veien for ML-teknologiadopsjon og hvordan de neste månedene kan se ut når det gjelder markedsvekst.
Vi snakket med:
- Lonne Jaffe, administrerende direktør, Insight Partners Jerry Chen, partner, Greylock Ashish Kakran, rektor, Thomvest Janelle Teng, VP, Bessemer Venture Partners
(Redaktørens merknad: Følgende svar er redigert for lengde og klarhet.)
Lonne Jaffe, administrerende direktør, Insight Partners
Hvor sterkt er ML venture fundraising-markedet i dag, og hvordan har det utviklet seg så langt i 2023?
Utgivelsen av ChatGPT for fem måneder siden utløste brannen for oppstartsinnovasjon rundt ML, sammen med en fornyet innsamlingsdynamikk. Vi har gått fra systemer for prediksjon – som klassifiserings- eller anbefalingssystemer – til systemer for skapelse. Mens finansiering har strømmet inn i generative ML-systemer, har det også vært mye fremgang i mer “tradisjonelle”, diskriminerende ML-systemer, som prediksjons- eller klassifiseringssystemer.
Vi har vært spesielt aktive nylig i anvendte datasyn ML-systemer i helsevesenet, hvorav noen snart kan matche eller til og med overgå menneskelig leges ytelse på tvers av visse domener. Dental oppstart Overjet bruker for eksempel AI til å analysere tannrøntgenbilder for å hjelpe tannleger med å avgjøre om en tann trenger en fylling eller en krone, noe som forbedrer pasientresultatene.