ابزار جدید PitchBook از هوش مصنوعی برای پیش‌بینی اینکه کدام استارت‌آپ با موفقیت خارج می‌شود، استفاده می‌کند

به گزارش اپ خونه، بانک اطلاعاتی سرمایه‌های مخاطره‌آمیز و سهام خصوصی VC Exit Predictor را راه‌اندازی کرد، ابزاری که بر روی داده‌های PitchBook آموزش داده شده است تا بتواند چشم‌انداز رشد یک استارت‌آپ را تحت‌الشعاع قرار دهد.

وقتی نام یک شرکت تحت حمایت VC داده می شود، VC Exit Predictor امتیازی را در مورد احتمال به دست آوردن، عمومی شدن یا خارج نشدن آن به دلیل خودپایدار شدن یا تجربه هر رویدادی (مثلاً ورشکستگی) که مانع از خروج یک شرکت می شود، ایجاد می کند.

McKinley McGinn، مدیر محصول هوش بازار در PitchBook گفت:VC Exit Predictor  با استفاده از یک الگوریتم یادگیری ماشین اختصاصی توسعه‌یافته توسط تیم تحقیقات کمی PitchBook توسعه داده شد، که منحصراً بر روی داده‌های موجود در پلتفرم PitchBook از جمله فعالیت معاملات، سرمایه‌گذاران فعال و جزئیات شرکت آموزش دیده است.

برای اطمینان از صحت، پیش‌بینی‌هایی برای شرکت‌های دارای پشتوانه سرمایه‌گذاری انجام می‌شود که حداقل دو دور از معاملات تامین مالی را دریافت کرده‌اند.

PitchBook مطمئناً اولین کسی نیست که یک ابزار الگوریتمی برای اطلاع رسانی تصمیمات سرمایه گذاری ایجاد می کند.

برای سال ها، سرمایه گذاران برای مزیت رقابتی مبتنی بر هوش مصنوعی فریاد می زنند. گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۵، بیش از ۷۵ درصد از سرمایه‌گذاری خطرپذیر و بررسی‌های اجرایی سرمایه‌گذاران در مراحل اولیه توسط هوش مصنوعی و تجزیه و تحلیل داده‌ها اطلاع‌رسانی خواهد شد.

شرکت‌های VC، از جمله SignalFire، EQT Ventures و Nauta Capital، از پلتفرم‌های مبتنی بر هوش مصنوعی برای معرفی شرکت‌های برتر بالقوه استفاده می‌کنند.

در سال ۲۰۲۱، تیمی از محققان از داده‌های عمومی CrunchBase برای ساخت ابزاری کاملاً مشابه با VC Exit Predictor استفاده کردند که توانایی پیش‌بینی اینکه استارت‌آپ‌ها از طریق IPO یا خرید با موفقیت خارج می‌شوند، شکست می‌خورند یا خصوصی باقی می‌مانند.

اما آیا این ابزارها واقعاً کار می کنند؟

مک‌گین می‌گوید که PitchBook VC Exit Predictor را روی مجموعه‌ای تاریخی از شرکت‌هایی با خروجی‌های شناخته شده، که شامل شرکت‌هایی مانند Blockchain.com، Revolut و Bitso می‌شد، آزمایش کرد.

مک گین ادعا می کند که به طور میانگین در سراسر مجموعه، ابزار در پیش بینی خروج موفقیت آمیز ۷۴ درصد دقیق بود.

وی افزود:

«پیش‌بینی‌کننده خروج VC می‌تواند توسط سرمایه‌گذاران خطرپذیر که به دنبال رویکردی مبتنی بر داده‌ها برای ارزیابی اولیه‌شان از یک شرکت با پشتوانه ریسک هستند، مورد استفاده قرار گیرد.»

«با این حال، ما پیش‌بینی می‌کنیم که برای بازیگران صنعت که در جستجوی نامزدهای عرضه اولیه اولیه سهام آینده، نظارت بر رقبا در بازار یا به دنبال تأیید اعتبار برای سرمایه‌گذاری در دور بعدی خود هستند، استفاده طولانی‌ای از موارد استفاده شود.»

VC Exit Predictor ممکن است در مجموعه آزمایشی PitchBook عملکرد خوبی داشته باشد.

اما سوال این است که آیا در برابر رویدادهای قو سیاه مانند یک بیماری همه گیر، درگیری های جهانی (مانند جنگ در اوکراین) و بلایای طبیعی که قابل پیش بینی نیست، مقاوم است یا خیر. الگوریتم‌ها از لحاظ تاریخی به دلیل داده‌های آموزشی محدود خود با این موارد دست و پنجه نرم کرده‌اند.

ابزار جدید PitchBook با تکیه بر داده‌های تاریخی تلاش می‌کند پیش‌بینی کند کدام استارت‌آپ موفق خواهند بود

به عنوان مثال، یک قطعه VentureBeat (که واقعاً توسط شما نوشته شده است) توضیح می دهد که چگونه یک شرکت در صنعت مواد غذایی منجمد، برای مثال، در تلاش برای استفاده از یک الگوریتم برای پیش بینی محل فروش در نهایت در طول همه گیری COVID-19 است.

در سه تا چهار ماه اول بحران بهداشتی، زمانی که در اکثر مناطق محدودیت‌های غذاخوری وجود داشت، با انتخاب مشتریان برای غذا خوردن در خانه، فروش مواد غذایی منجمد به میزان قابل توجهی افزایش یافت.

اما زمانی که برخی کشورها به سرعت قوانین قرنطینه خود را کاهش دادند و برخی دیگر بازگشایی‌های آهسته‌تری را انتخاب کردند، منجر به تغییر روند شد که الگوریتم شرکت را کمتر قابل اعتماد کرد.

مک‌گین اذعان می‌کند که VC Exit Predictor از نقص‌های مشابهی رنج می‌برد – به عنوان مثال، داشتن چشم‌انداز مطلوبی در مورد شرکت‌های رمزنگاری علیرغم افت صنعت.

او گفت: “محدودیت هایی در پیش بینی های سطح بازار وجود دارد که الگوریتم می تواند انجام دهد. از آنجایی که این مدل به به‌روزرسانی‌های به‌موقع در فضای بازار با حرکت کندتر متکی است، زمان می‌برد تا مدل با بخش‌های رو به رشد یا شکست سازگار شود.”

مشکل سوگیری نیز وجود دارد: به ناچار، الگوریتم‌ها سوگیری‌ها را در داده‌هایی که در آن آموزش داده شده‌اند، تقویت می‌کنند.

در آزمایشی در نوامبر ۲۰۲۰، هاروارد بیزینس ریویو (HBR) یک الگوریتم توصیه سرمایه گذاری ساخت و عملکرد آن را با بازده سرمایه گذاران فرشته مقایسه کرد.

طبق HBR، این الگوریتم تمایل داشت تا کارآفرینان سفیدپوست را به جای کارآفرینان رنگین پوست انتخاب کند و ترجیح می داد در استارتاپ هایی با بنیانگذاران مرد سرمایه گذاری کند، احتمالاً به این دلیل که زنان و بنیانگذاران سایر گروه های دارای نمایندگی کمتر تمایل دارند در فرآیند تأمین مالی محروم باشند و در نهایت سرمایه کمتری را افزایش دهند.

کارشناسان مشکلات مشابهی را با ابزار موزائیک CB Insights پیدا کردند که بنیانگذاران و تیم های مدیریتی در مراحل اولیه را برای حمایت از تصمیمات سرمایه گذاری، خرید و M&A امتیاز می دهد.

Tech Brew گزارش داد که از شش “سیگنال” افشا شده که CB Insights برای اطلاع از احتمال موفقیت افراد استفاده می کند، چهار علامت برای نژاد، وضعیت اجتماعی-اقتصادی، جنسیت و ناتوانی هستند.

با توجه به اینکه فقط ۸ درصد از فارغ التحصیلان MBA سیاه پوست هستند، این قابل توجه است. استخدام‌های اولیه در غول‌های فناوری تمایل دارند سفید، آسیایی و مرد را تغییر دهند و کمتر از ۲ درصد استارت آپ های نرم افزاری سازمانی در ایالات متحده یک مؤسس زن دارند.

مک گین این ادعا را جسورانه می کند که VC Exit Predictor «نسبت به نژاد، جنسیت و تحصیلات بنیانگذاران کور است»، اما فاش کرد که حتی PitchBook نیز تفاوت جزئی در پیش بینی های موفقیت توزیع شده خود – ۱٪ – بین مدیران عامل مرد و زن پیدا کرده است.

او گفت: «در حالی که هیچ ابزار یا شخصی نمی‌تواند خروج شرکت را با دقت کامل پیش‌بینی کند، توانایی VC Exit Predictor برای پردازش مقادیر زیادی از داده‌ها و شناسایی الگوها می‌تواند به سرمایه‌گذاران در تصمیم‌گیری آگاهانه سرمایه‌گذاری برتری دهد.» ما قصد داریم به ساخت این ابزار برای بهبود دقت پیش‌بینی‌ها و افزودن قابلیت‌های جدید برای ارائه بینش‌های بیشتر ادامه دهیم.»

نکته اصلی این است که هیچ ابزار پیش بینی کاملی نیست، و به اعتبار او، مک گین این را انکار نمی کند. ما فقط امیدواریم که سرمایه‌گذاران برای تصمیم‌گیری‌های مالی خود منحصراً به VC Exit Predictor تکیه نکنند، به‌ویژه در غیاب ممیزی شخص ثالث از الگوریتم.