紅點創投投資人：別吹自己懂AI，這樣投資機器學習才賺錢

編者注：本文作者Medha Agarwal是紅點創投的投資人，他向我們分享了他關於機器學習的看法。

以下以第一人稱敘述。

現如今，機器學習乃一大風潮，它具有極大的潛力億顛覆整個市場和行業。但是，圍繞機器學習的炒作也是相當之多。作為一名投資者，我認為有四個關鍵特徵，可以用來區分誰可以真正利用機器學習制勝：

1. 大市場中的特殊案例。成功的機器學習創企是那些對技術有明確需求且瞄準垂直應用的企業。比如，商品包裝消費品行業就是個極好的例子。

機器學習可以更加精准地預測庫存水準以更好地管理供應鏈，減少庫存成本，最小化過剩需求，杜絕缺貨。根據埃森哲的一份報告，機器學習可以在交付時間上提高4.25倍，在供應鏈效率方面提高2.6倍。

2. 關注有大量人力重複勞動的領域。大量的人力勞動即意味著利用複雜預測演算法優化的絕佳機會。同樣是以供應鏈為例，當前分析師預測庫存需求大多基於歷史資料，

但仍參雜大量直觀假設。通過利用諸如生產時間、售出率等資料，學習模型可以更精准地預測未來需求。

3. 有大量可預測資料。創業公司得有大量資料，才能高效地訓練其機器學習模型。這些公司要麼可以和大型企業合作來借用他們的資料，或者也可以開發一款產品促使使用者輸入他們自己的資訊，無論哪種方法都可制勝。

4. 網路效應和可防禦性。

演算法將不斷被開源，這使得專有資料尤其關鍵。系統的輸入和回饋可以改進其精確性並建立起一道“護城河。”因此，一款產品應該能夠激勵人們根據產品的預測和推薦為其提供回饋。比如，Facebook的圖片標記演算法就從人們是否接受“誰在他們的照片裡”這一建議而進行自我學習改進。

可投資領域

在以下的垂直領域中，我認為機器學習將發揮極大的作用：

醫療診斷和計算生物學

機器學習可以改進結果並減少整個醫療價值鏈的成本。

機器學習對提高診斷、減少誤診以及提高藥物發現過程之效率的潛力是非常可觀的。患者資料也可以被用來檢測早期疾病，並制定個性化治療方案。製藥和生物技術公司可以利用計算生物學快速並發現比現有市場上更高效的新藥物。

供應鏈

機器學習可以對供應鏈的某些方面進行改進提高，其中包括需求預測、市場趨勢、商業促銷以及新產品等。

當前，公司很難掌握市場變化規律與波動來進行企業決策並作出精確預測。

製造業

工業物聯網是一個超過了120億美元價值的市場，並且工業物聯網仍處於發展初期。根據Genpact對全球173位元高管的調查報告，只有25%的高管擁有物聯網戰略，24%對實施物聯網感到滿意。這些高管都希望機器學習可以強化解決方案以提高生產率，並減少成品庫存水準，帶來真正的成本節省與盈利機會。

金融合規

金融機構中的合規著實是一個大市場。僅摩根大通一家公司自2008年以來就已經為和解和罰款支付了360億美元，並且雇傭了8000名合規管理員工。機器學習無疑可以為銀行以及其他需要遵守審計和法規的公司改進這一流程。

企業語音

語音分析的複雜性讓語音居於機器學習趨勢的週邊，儘管語音也是業務工作流中關鍵組成部分。NewVoiceMedia的一份2013年研究指出，每年由低效的呼叫中心導致的損失高達410億美元。每年有240萬內部銷售代表在會議上花費了大量時間。所以，毫無疑問，在自動處理呼叫中心、會議以及銷售和行銷方面的語音會話方面，機器學習有著大量機會。

保險業

保險業是一個範圍極廣的分類，在保險行業，機器學習可以幫助保險商以更低成本推出目標產品。舉例來說，汽車保險商可以利用駕駛等其他行為資料來個別溢價或者採用更好的檢測方法來整體降低成本結構。諮詢公司KPMG將保險行業中的機器學習形容為“根本性的變革者”。

個人理財

新資料和劃分模型將之前千禧代遙不可及的金融產品變得觸手可及（例如信用卡產品）。除此之外，智慧、自動的系統正通過行為跟蹤為消費者降低個性化諮詢等費用，並基於他們的偏好和目標給出建議。Erin Shipley和TX Zhou曾發佈過一篇很棒的文章，討論了人工智慧將對金融產生何種影響，其中包括通過基於用戶行為的個性化建議來促進金融認識和合理理財。

個性化教育

傳統教育的一大弊端就是一個老師必須向一整個班級教授標準課程，哪怕學生之間的理解力與學習模式存在差異。如果公司可以利用資料來説明家長和學校找出問題領域，並基於學生自身的問題和風格，為每個學生制定個性化課程和方案呢？這不僅可以改革美國現有的教育，同時也是一個非常巨大的經濟機會。在2013年，美國在公共教育上的年花費為6200億美元，公立學校學生數量近5000萬。

儘管我對上述提到的機會領域十分感興趣，但也有不少公司一頭栽進了我目前不是十分看好的領域。比如那些為“AI”而“AI”的企業以及專注于聊天機器人的企業。人工智慧和機器學習從不是終點，而是利用這些技術解決問題。至於聊天機器人，眼下技術還不夠先進，給不了我們積極的使用體驗。

本文來自獵雲網，如若轉載，請注明出處：http://www.lieyunwang.com/archives/283431

帶來真正的成本節省與盈利機會。

金融合規

金融機構中的合規著實是一個大市場。僅摩根大通一家公司自2008年以來就已經為和解和罰款支付了360億美元，並且雇傭了8000名合規管理員工。機器學習無疑可以為銀行以及其他需要遵守審計和法規的公司改進這一流程。

企業語音

語音分析的複雜性讓語音居於機器學習趨勢的週邊，儘管語音也是業務工作流中關鍵組成部分。NewVoiceMedia的一份2013年研究指出，每年由低效的呼叫中心導致的損失高達410億美元。每年有240萬內部銷售代表在會議上花費了大量時間。所以，毫無疑問，在自動處理呼叫中心、會議以及銷售和行銷方面的語音會話方面，機器學習有著大量機會。

保險業

保險業是一個範圍極廣的分類，在保險行業，機器學習可以幫助保險商以更低成本推出目標產品。舉例來說，汽車保險商可以利用駕駛等其他行為資料來個別溢價或者採用更好的檢測方法來整體降低成本結構。諮詢公司KPMG將保險行業中的機器學習形容為“根本性的變革者”。

個人理財

新資料和劃分模型將之前千禧代遙不可及的金融產品變得觸手可及（例如信用卡產品）。除此之外，智慧、自動的系統正通過行為跟蹤為消費者降低個性化諮詢等費用，並基於他們的偏好和目標給出建議。Erin Shipley和TX Zhou曾發佈過一篇很棒的文章，討論了人工智慧將對金融產生何種影響，其中包括通過基於用戶行為的個性化建議來促進金融認識和合理理財。

個性化教育

傳統教育的一大弊端就是一個老師必須向一整個班級教授標準課程，哪怕學生之間的理解力與學習模式存在差異。如果公司可以利用資料來説明家長和學校找出問題領域，並基於學生自身的問題和風格，為每個學生制定個性化課程和方案呢？這不僅可以改革美國現有的教育，同時也是一個非常巨大的經濟機會。在2013年，美國在公共教育上的年花費為6200億美元，公立學校學生數量近5000萬。

儘管我對上述提到的機會領域十分感興趣，但也有不少公司一頭栽進了我目前不是十分看好的領域。比如那些為“AI”而“AI”的企業以及專注于聊天機器人的企業。人工智慧和機器學習從不是終點，而是利用這些技術解決問題。至於聊天機器人，眼下技術還不夠先進，給不了我們積極的使用體驗。

本文來自獵雲網，如若轉載，請注明出處：http://www.lieyunwang.com/archives/283431