投資人告訴你，哪些才是機器學習創業公司中的香餑餑！

本文分享機器學習的潛力股，希望此刻正在閱讀的你們能有所啟發。

機器學習（Machine Learning）在當下是個熱門的話題。它有巨大的改變整個市場和行業的潛力，然而現在的言論中也有許多摻雜著炒作的成分。Redpoint Ventures的投資人，Medha Agarwal，寫了一篇長文，以投資人的角度告訴大家機器學習的潛力股。他表示，作為投資者他相信一下四個關鍵特徵，是區分機器學習中的贏家：

1. 在廣大市場中有具體的用途。成功的機器學習創業公司應成為有針對垂直應用的、有明確需求的技術。

消費者包裝產業就是個很好的例子，機器學習可以更準確地預測庫存水準，以更好地管理供應鏈，降低庫存成本，最大限度地減少過剩產能需求，並消除缺貨這種情況。根據埃森哲的研究資料表明，機器學習可以使交付時間提高4.5倍，供應鏈效率提高2.6倍。

2. 關注重複人工參與的領域。強烈的人工干預意味著存在利用複雜預測演算法進行優化的機會。

在同樣的供應鏈示例中，現在的分析師們會根據一些歷史資料來估計庫存需求，但很多時候也是憑直覺。通過利用生產時間、銷售率和其他資料，學習模型可以更準確地預測未來的需求。

3. 大量的可預測資料。創業公司需要大量的資料來有效地訓練機器學習模型。

他們可以和更大更成熟的公司合作，利用別人的資料學習，或者建立一個吸引使用者輸入自己的資料的產品，如果能做到這一點，這個創業公司很有可能成功。

4. 網路效應和防禦性。演算法將繼續是開源的，這使得專有資料特別重要。而回饋和系統輸入則提高了其準確性。因此產品應該鼓勵人們對其預測和建議提供回饋。

可投資的類別

Medha覺得以下垂直領域，

機器學習是有很大潛力的：

醫學診斷和電腦生物學。機器學習將改善整個醫療保健價值鏈，並降低成本。改善診斷，減少錯誤，簡化藥物發現過程，這個潛力是讓人灰常興奮的。患者資料可用于早期檢測疾病和個性化治療計畫。製藥的生物技術公司可以使用計算方法快速有效地發現比目前市場上更有效的新藥。

供應鏈。機器學習可以改善供應鏈的幾個方面，包括需求預測、市場趨勢、貿易促銷和新產品。現在的公司很難估計不斷變化的市場模式和波動情況，而機器學習可以為業務決策者提供資訊，並進行準確的預測。

製造業。工業物聯網是一個價值高達120億美元的市場。根據Genpact對173名高管的全球調查，只有25%的人有物聯網戰略，只有24%的人對執行感到滿意。這些高管正在尋找機器學習的解決方案，來提高產量，減少庫存和成品水準，推動真正的成本節約和利潤機會。

合規性。金融機構的合規部分是一個巨大的市場。自2008年以來，僅僅JPMorgan一家公司，就已經支付了360億美元的定居點和罰款，並雇傭了8000多名做合規和控制的員工。機器學習可以改善客戶和員工遵守銀行和其他公司必須遵守的審計和合規性法規的過程。

企業級語音服務。儘管分析語音是業務工作流的關鍵組成部分，但它的複雜性使得語音處於機器學習趨勢的邊緣。來自NewVoiceMedia的2013年的研究報告稱，由於呼叫中心效率低下，每年的損失在410億美元左右。每年有240萬內部銷售代表，每年花數百萬個小時在與用戶溝通交流上。因此，很明顯，在呼叫中心、銷售、行銷方面的自動化流程中存在很大的機會。

保險。保險是一個龐大且範圍廣泛的類別，機器學習可以幫助保險公司以更低的成本提供針對性的產品。比如，汽車保險公司可以使用駕駛和其他行為資料單獨定價、溢價，或使用更好的欺詐檢測，來降低其總體成本結構。諮詢公司KPMG將機器學習描述為保險業的“制勝法寶”。

個人財務。新的資料和分析模型解鎖（比如信用產品）以前是對千禧一代來說是不可用或不期望的金融產品。此外，智慧自動化系統通過追蹤行為並根據偏好和目標提供建議，降低了為消費者提供個性化建議的成本。Erin Shipley和TX Zhou在科技媒體Techcrunch上寫過一篇關於人工智慧對財務影響的文章，包括通過基於用戶行為的個性化推薦來推動財務健康。

個性化教育。傳統教育的一個主要局限在於，儘管學生的理解水準和學習風格不同，教師必須為整個班級教授標準化的課程。如果有公司能利用資料説明家長和學校識別問題領域，為每個學生提供個性化的課程，根據他們的問題和風格提供量身定制的計畫，會怎樣？這不僅能改變教育狀況，而且提供了一個重要的經濟機會。截至2013年，美國每年花費在公共教育上的資金為620億美元。

以下領域是Medha並不感興趣的：

只是“人工智慧”的公司。人工智慧和機器學習永遠不是最終目標，而是需要讓它們在現實生活中為人所用，為人服務。

Chatbots。Medha覺得這項技術根本不夠先進，還不足以通過廣義聊天及為用戶提供積極的體驗。

我要鴕鳥電臺來報導

只有24%的人對執行感到滿意。這些高管正在尋找機器學習的解決方案，來提高產量，減少庫存和成品水準，推動真正的成本節約和利潤機會。

合規性。金融機構的合規部分是一個巨大的市場。自2008年以來，僅僅JPMorgan一家公司，就已經支付了360億美元的定居點和罰款，並雇傭了8000多名做合規和控制的員工。機器學習可以改善客戶和員工遵守銀行和其他公司必須遵守的審計和合規性法規的過程。

企業級語音服務。儘管分析語音是業務工作流的關鍵組成部分，但它的複雜性使得語音處於機器學習趨勢的邊緣。來自NewVoiceMedia的2013年的研究報告稱，由於呼叫中心效率低下，每年的損失在410億美元左右。每年有240萬內部銷售代表，每年花數百萬個小時在與用戶溝通交流上。因此，很明顯，在呼叫中心、銷售、行銷方面的自動化流程中存在很大的機會。

保險。保險是一個龐大且範圍廣泛的類別，機器學習可以幫助保險公司以更低的成本提供針對性的產品。比如，汽車保險公司可以使用駕駛和其他行為資料單獨定價、溢價，或使用更好的欺詐檢測，來降低其總體成本結構。諮詢公司KPMG將機器學習描述為保險業的“制勝法寶”。

個人財務。新的資料和分析模型解鎖（比如信用產品）以前是對千禧一代來說是不可用或不期望的金融產品。此外，智慧自動化系統通過追蹤行為並根據偏好和目標提供建議，降低了為消費者提供個性化建議的成本。Erin Shipley和TX Zhou在科技媒體Techcrunch上寫過一篇關於人工智慧對財務影響的文章，包括通過基於用戶行為的個性化推薦來推動財務健康。

個性化教育。傳統教育的一個主要局限在於，儘管學生的理解水準和學習風格不同，教師必須為整個班級教授標準化的課程。如果有公司能利用資料説明家長和學校識別問題領域，為每個學生提供個性化的課程，根據他們的問題和風格提供量身定制的計畫，會怎樣？這不僅能改變教育狀況，而且提供了一個重要的經濟機會。截至2013年，美國每年花費在公共教育上的資金為620億美元。

以下領域是Medha並不感興趣的：

只是“人工智慧”的公司。人工智慧和機器學習永遠不是最終目標，而是需要讓它們在現實生活中為人所用，為人服務。

Chatbots。Medha覺得這項技術根本不夠先進，還不足以通過廣義聊天及為用戶提供積極的體驗。

我要鴕鳥電臺來報導