Rejoignez-Nous sur

La nouvelle entreprise de l'IA (et en quoi elle diffère des logiciels traditionnels)

Copy of Untitled Design 12 4

News

La nouvelle entreprise de l'IA (et en quoi elle diffère des logiciels traditionnels)

Au niveau technique, l'intelligence artificielle semble être l'avenir du logiciel. L'IA montre des progrès remarquables sur une série de problèmes informatiques difficiles, et le travail des développeurs de logiciels – qui travaillent désormais autant avec les données qu'avec le code source – change fondamentalement dans le processus.

De nombreuses entreprises d'IA (et investisseurs) parient que cette relation s'étendra au-delà de la technologie – que l'IA entreprises ressemblera également aux éditeurs de logiciels traditionnels. Sur la base de notre expérience de travail avec des entreprises d'IA, nous n'en sommes pas si sûrs.

Nous croyons fermement au pouvoir de l'IA de transformer les affaires: nous avons investi notre argent dans cette thèse et nous continuerons d'investir massivement dans les entreprises d'IA appliquées et l'infrastructure d'IA. Cependant, nous avons remarqué dans de nombreux cas que les entreprises d'IA n'ont tout simplement pas la même construction économique que les entreprises de logiciels. Parfois, elles peuvent même ressembler davantage à des entreprises de services traditionnels. En particulier, de nombreuses entreprises d'IA ont:

  1. Marges brutes plus faibles en raison de l'utilisation intensive de l'infrastructure cloud et de l'assistance humaine continue;
  2. Défis à l'échelle en raison du problème épineux des cas de bord;
  3. Des douves défensives plus faibles en raison de la marchandisation des modèles d'IA et des défis effets de réseau de données.

Pour l'anecdote, nous avons observé une tendance étonnamment cohérente dans les données financières des sociétés d'IA, avec des marges brutes souvent de l'ordre de 50 à 60% – bien en dessous de la référence de 60 à 80% + pour des entreprises SaaS comparables. Les capitaux privés à un stade précoce peuvent masquer ces inefficacités à court terme, d'autant plus que certains investisseurs poussent à la croissance plutôt qu'à la rentabilité. Il n'est pas clair, cependant, qu'une quelconque optimisation à long terme du produit ou de la mise sur le marché (GTM) puisse résoudre complètement le problème.

Tout comme le SaaS a inauguré un nouveau modèle économique par rapport aux logiciels sur site, nous pensons L'IA crée un type d'entreprise essentiellement nouveau. Cet article présente donc certaines des différences entre les sociétés d'intelligence artificielle et les sociétés de logiciels traditionnelles et partage quelques conseils sur la manière de remédier à ces différences. Notre objectif n'est pas d'être normatif, mais plutôt d'aider les opérateurs et autres à comprendre l'économie et le paysage stratégique de l'IA afin qu'ils puissent construire des entreprises durables.

Nous avons remarqué dans de nombreux cas que les entreprises d'IA n'ont tout simplement pas la même construction économique que les entreprises de logiciels. Parfois, elles peuvent même ressembler davantage à des entreprises de services traditionnels. Cliquez pour tweeter

Logiciel + services = AI? 🤖

La beauté des logiciels (y compris SaaS) est qu'ils peuvent être produits une fois et vendus plusieurs fois. Cette propriété crée un certain nombre d'avantages commerciaux convaincants, y compris des flux de revenus récurrents, des marges brutes élevées (60-80% +) et – dans des cas relativement rares lorsque des effets de réseau ou des effets d'échelle prennent racine – superlinéaire mise à l'échelle. Les éditeurs de logiciels ont également le potentiel de construire de solides douves défensives car ils possèdent la propriété intellectuelle (généralement le code) générée par leur travail.

Les entreprises de services occupent l'autre extrémité du spectre. Chaque nouveau projet nécessite des effectifs dédiés et peut être vendu une seule fois. Par conséquent, les revenus ont tendance à être non récurrents, les marges brutes sont inférieures (30 à 50%) et la mise à l'échelle est au mieux linéaire. La défensibilité est plus difficile – souvent basée sur le contrôle de la marque ou du compte titulaire – car toute propriété intellectuelle qui n'appartient pas au client est peu susceptible d'avoir une large applicabilité.

Les entreprises d'IA semblent de plus en plus combiner des éléments à la fois de logiciels et de services.

La plupart des applications d'IA ressemblent à des logiciels normaux. Ils s'appuient sur du code conventionnel pour effectuer des tâches telles que l'interfaçage avec les utilisateurs, la gestion des données ou l'intégration avec d'autres systèmes. Le cœur de l'application, cependant, est un ensemble de modèles de données formés. Ces modèles interprètent les images, transcrivent la parole, génèrent un langage naturel et effectuent d'autres tâches complexes. Les entretenir peut parfois ressembler davantage à une entreprise de services – nécessitant des coûts de travail et de saisie spécifiques au client, au-delà des fonctions de support et de réussite classiques.

Cette dynamique affecte les entreprises d'IA de plusieurs manières importantes. Nous en explorons plusieurs – marges brutes, mise à l'échelle et défensibilité – dans les sections suivantes.

Par rapport aux logiciels traditionnels, les entreprises d'IA peuvent avoir des marges brutes inférieures en raison de l'utilisation intensive de l'infrastructure cloud et de l'assistance humaine continue. Cliquez pour tweeter

Marges brutes, partie 1: l'infrastructure cloud est un coût substantiel – et parfois caché – pour les entreprises d'IA 🏭

Dans l'ancien temps des logiciels sur site, la livraison d'un produit signifiait l'abattage et l'expédition des supports physiques – le coût de fonctionnement du logiciel, que ce soit sur des serveurs ou des ordinateurs de bureau, était à la charge de l'acheteur. Aujourd'hui, avec la domination du SaaS, ce coût a été repoussé au fournisseur. La plupart des éditeurs de logiciels paient de grosses factures AWS ou Azure chaque mois – plus le logiciel est exigeant, plus la facture est élevée.

Il s'avère que l'IA est assez exigeante:

  • Formation un modèle d'IA unique peut coûter des centaines de milliers de dollars (ou plus) dans calculer Ressources. S'il est tentant de traiter cela comme un coût ponctuel, la reconversion est de plus en plus reconnue comme un coût permanent, car les données qui alimentent les modèles d'IA ont tendance à changer au fil du temps (un phénomène appelé «dérive des données»).
  • Inférence de modèle (processus de génération de prévisions en production) est également plus complexe sur le plan informatique que l'exploitation de logiciels traditionnels. L'exécution d'une longue série de multiplications matricielles nécessite simplement plus de mathématiques que, par exemple, la lecture d'une base de données.
  • Les applications d'IA sont plus susceptibles que les logiciels traditionnels de fonctionner média riche comme des images, du son ou de la vidéo. Ces types de données consomment plus que d'habitude espace de rangement les ressources sont coûteuses à traiter et souffrent souvent de problèmes de région d'intérêt – une application peut avoir besoin de traiter un gros fichier pour trouver un petit extrait pertinent.
  • Nous avons eu des sociétés d'IA nous dire que opérations cloud peut être plus complexe et plus coûteux que les approches traditionnelles, en particulier parce qu’il n’existe pas de bons outils pour faire évoluer les modèles d’IA à l’échelle mondiale. En conséquence, certaines sociétés d'IA doivent transférer régulièrement des modèles formés dans les régions du cloud – augmentant ainsi les coûts d'entrée et de sortie – pour améliorer la fiabilité, la latence et la conformité.

Ensemble, ces forces contribuent aux 25% ou plus des revenus que les entreprises d'IA dépensent souvent sur les ressources cloud. Dans les cas extrêmes, les startups s'attaquant à des tâches particulièrement complexes ont en fait trouvé le traitement manuel des données moins cher que l'exécution d'un modèle formé.

L'aide arrive sous la forme de processeurs IA spécialisés qui peuvent exécuter les calculs plus efficacement et des techniques d'optimisation, telles que la compression de modèle et la compilation croisée, qui réduisent le nombre de calculs nécessaires.

Mais on ne sait pas à quoi ressemblera la forme de la courbe d'efficacité. Dans de nombreux domaines problématiques, un traitement et des données exponentiellement plus importants sont nécessaires pour obtenir une précision progressivement accrue. Cela signifie – comme nous l'avons noté avant – la complexité de ce modèle augmente à un rythme incroyable, et il est peu probable que les processeurs puissent suivre. La loi de Moore ne suffit pas. (Par exemple, les ressources de calcul nécessaires pour former des modèles d'IA de pointe ont augmenté de plus de 300 000 fois depuis 2012, tandis que le nombre de transistors des GPU NVIDIA n'a augmenté que de ~ 4x!) L'informatique distribuée est une solution convaincante à ce problème , mais il aborde principalement la vitesse – pas le coût.

Marges brutes, partie 2: de nombreuses applications d'IA reposent sur des «humains dans la boucle» pour fonctionner avec un haut niveau de précision 👷

Les systèmes humains dans la boucle prennent deux formes, qui contribuent toutes deux à réduire les marges brutes de nombreuses startups de l'IA.

Premièrement: la formation de la plupart des modèles d'intelligence artificielle modernes implique le nettoyage manuel et l'étiquetage de grands ensembles de données. Ce processus est laborieux, coûteux et parmi les plus grands obstacles à une adoption plus répandue de l'IA. De plus, comme nous l'avons vu ci-dessus, la formation ne se termine pas une fois qu'un modèle est déployé. Pour maintenir la précision, les nouvelles données d'entraînement doivent être continuellement saisies, étiquetées et réintroduites dans le système. Bien que des techniques telles que la détection de dérive et l'apprentissage actif puissent réduire la charge, des données anecdotiques montrent que de nombreuses entreprises dépensent jusqu'à 10 à 15% des revenus sur ce processus – généralement sans compter les ressources d'ingénierie de base – et suggèrent que le travail de développement en cours dépasse les corrections de bogues et les fonctionnalités habituelles. ajouts.

Deuxièmement: pour de nombreuses tâches, en particulier celles nécessitant un plus grand raisonnement cognitif, les humains sont souvent connectés aux systèmes d'IA en temps réel. Les sociétés de médias sociaux, par exemple, emploient des milliers de réviseurs humains pour augmenter les systèmes de modération basés sur l'IA. De nombreux systèmes de véhicules autonomes incluent des opérateurs humains à distance, et la plupart des dispositifs médicaux basés sur l'IA s'interfacent avec les médecins en tant que décideurs conjoints. De plus en plus de startups adoptent cette approche à mesure que les capacités des systèmes d'IA modernes sont de mieux en mieux comprises. Un certain nombre de sociétés d'intelligence artificielle qui prévoyaient de vendre des produits logiciels purs apportent de plus en plus une capacité de services en interne et réservent les coûts associés.

La nécessité d'une intervention humaine diminuera probablement à mesure que les performances des modèles d'IA s'améliorent. Il est peu probable, cependant, que les humains soient totalement exclus de la boucle. De nombreux problèmes – comme les voitures autonomes – sont trop complexes pour être entièrement automatisés avec les techniques d'IA de génération actuelle. Les questions de sécurité, d'équité et de confiance exigent également une surveillance humaine significative – un fait susceptible d'être inscrit dans les réglementations sur l'IA actuellement en cours d'élaboration dans le NOUS, UE, et ailleurs.

La nécessité d'une intervention humaine diminuera probablement à mesure que les performances des modèles d'IA s'améliorent. Il est peu probable, cependant, que les humains soient totalement exclus de la boucle. Cliquez pour tweeter

Même si, à terme, nous réalisons une automatisation complète pour certaines tâches, il n'est pas clair combien les marges s'amélioreront en conséquence. La fonction de base d'une application AI est de traiter un flux de données d'entrée et de générer des prédictions pertinentes. Le coût de fonctionnement du système est donc fonction de la quantité de données traitées. Certains points de données sont gérés par des humains (relativement coûteux), tandis que d'autres sont traités automatiquement par des modèles d'IA (espérons-le moins chers). Mais chaque entrée doit être traitée, dans un sens ou dans l'autre.

Pour cette raison, les deux catégories de coûts dont nous avons parlé jusqu'à présent – le cloud computing et le support humain – sont en fait liées. La réduction de l'un tend à entraîner une augmentation de l'autre. Les deux éléments de l'équation peuvent être optimisés, mais aucun des deux n'atteindra probablement les niveaux de coût quasi nul associés aux entreprises SaaS.

La mise à l'échelle des systèmes d'IA peut être plus difficile que prévu, car l'IA vit dans la longue queue long

Pour les entreprises d'IA, il est un peu plus difficile de savoir quand vous avez trouvé l'adaptation au marché des produits qu'avec les logiciels traditionnels. Il est trompeusement facile de penser que vous y êtes arrivé – en particulier après la fermeture de 5 à 10 excellents clients – seulement pour voir l'arriéré de votre équipe ML commencer à gonfler et les calendriers de déploiement des clients commencent à s'étendre de façon inquiétante, ce qui éloigne les ressources des nouvelles ventes.

Le coupable, dans de nombreuses situations, est les cas marginaux. De nombreuses applications d'IA ont des interfaces ouvertes et fonctionnent sur des données bruyantes et non structurées (comme les images ou le langage naturel). Les utilisateurs manquent souvent d'intuition autour du produit ou, pire, supposent qu'il possède des capacités humaines / surhumaines. Cela signifie que les cas extrêmes sont partout: jusqu'à 40 à 50% des fonctionnalités prévues pour les produits d'IA que nous avons examinés peuvent résider dans la longue queue de l'intention de l'utilisateur.

Autrement dit, les utilisateurs peuvent – et vont – entrer à peu près n'importe quoi dans une application AI.

Les utilisateurs peuvent – et veulent – entrer à peu près n'importe quoi dans une application AI. Cliquez pour tweeter

La gestion de cet immense espace d'état a tendance à être une corvée continue. Étant donné que la plage de valeurs d'entrée possibles est si grande, chaque nouveau déploiement client est susceptible de générer des données jamais vues auparavant. Même les clients qui semblent similaires – deux constructeurs automobiles faisant la détection de défauts, par exemple – peuvent avoir besoin de données de formation sensiblement différentes, en raison de quelque chose d'aussi simple que le placement de caméras vidéo sur leurs chaînes de montage.

Un fondateur appelle ce phénomène le «coût du temps» des produits d'IA. Son entreprise gère une période dédiée de collecte de données et de mise au point des modèles au début de chaque nouvel engagement client. Cela leur donne une visibilité sur la distribution des données du client et élimine certains cas marginaux avant le déploiement. Mais cela implique également un coût: l’équipe et les ressources financières de l’entreprise sont liées jusqu’à ce que la précision du modèle atteigne un niveau acceptable. La durée de la période de formation est également généralement inconnue, car il existe généralement peu d'options pour générer des données de formation plus rapidement… quel que soit le niveau de travail de l'équipe.

Les startups de l'IA finissent souvent par consacrer plus de temps et de ressources au déploiement de leurs produits que prévu. Il peut être difficile d'identifier ces besoins à l'avance, car les outils de prototypage traditionnels – comme les maquettes, les prototypes ou les tests bêta – ont tendance à couvrir uniquement les chemins les plus courants, pas les cas marginaux. Comme les logiciels traditionnels, le processus prend beaucoup de temps avec les premières cohortes de clients, mais contrairement aux logiciels traditionnels, il ne disparaît pas nécessairement avec le temps.

Le manuel de jeu pour la défense des entreprises de l'IA est toujours en cours d'écriture ⚔️

Les grands éditeurs de logiciels sont construits autour de solides douves défensives. Certains des meilleurs fossés sont des forces fortes comme les effets de réseau, les coûts de commutation élevés et les économies d'échelle.

Tous ces facteurs sont également possibles pour les entreprises d'IA. Le fondement de la défensibilité est généralement formé, bien que – en particulier dans l'entreprise – par un produit techniquement supérieur. Être le premier à mettre en œuvre un logiciel complexe peut apporter des avantages majeurs à la marque et des périodes de quasi-exclusivité.

Dans le monde de l'IA, la différenciation technique est plus difficile à réaliser. De nouvelles architectures modèles sont développées principalement dans des environnements académiques ouverts. Les implémentations de référence (modèles pré-formés) sont disponibles à partir de bibliothèques open-source et les paramètres du modèle peuvent être optimisés automatiquement. Les données sont au cœur d'un système d'IA, mais elles appartiennent souvent à des clients, dans le domaine public, ou au fil du temps deviennent une marchandise. Il a également une valeur décroissante à mesure que les marchés mûrissent et montre des effets de réseau relativement faibles. Dans certains cas, nous avons même vu déséconomies d'échelle associée aux données alimentant les entreprises d'IA. À mesure que les modèles deviennent plus matures – comme le soutient «La promesse vide de Data Moats»- chaque nouvelle affaire de pointe devient de plus en plus coûteuse à traiter, tout en offrant de la valeur à de moins en moins de clients pertinents.

Cela ne signifie pas nécessairement que les produits d'IA sont moins défendables que leurs homologues purement logiciels. Mais les fossés pour les entreprises d'IA semblent être moins profonds que beaucoup ne le pensaient. L'IA peut être en grande partie une transmission, du point de vue de la défensibilité, au produit et aux données sous-jacents.

Cela ne signifie pas nécessairement que les produits d'IA sont moins défendables que leurs homologues purement logiciels. Mais les fossés pour les entreprises d'IA semblent être moins profonds que beaucoup ne le pensaient. Cliquez pour tweeter

Créer, faire évoluer et défendre de grandes entreprises d'IA – conseils pratiques pour les fondateurs 🤠🚀

Nous pensons que la clé du succès à long terme pour les entreprises d'IA est de maîtriser les défis et de combiner le meilleur des services et des logiciels. Dans cet esprit, voici un certain nombre de mesures que les fondateurs peuvent prendre pour prospérer avec des applications d'IA nouvelles ou existantes.

Éliminer complexité du modèle autant que possible. Nous avons constaté une énorme différence de COGS entre les startups qui forment un modèle unique par client et celles qui sont en mesure de partager un seul modèle (ou ensemble de modèles) entre tous les clients. La stratégie du «modèle unique» est plus facile à maintenir, plus rapide à déployer auprès de nouveaux clients et prend en charge une organisation d'ingénierie plus simple et plus efficace. Cela a également tendance à réduire l'étalement du pipeline de données et les cycles de formation en double, ce qui peut considérablement améliorer les coûts d'infrastructure cloud. Bien qu'il n'y ait pas de solution miracle pour atteindre cet état idéal, une des clés est de comprendre autant que possible vos clients – et leurs données – avant accepter un accord. Parfois, il est évident qu'un nouveau client entraînera une fourchette majeure dans vos efforts d'ingénierie ML. La plupart du temps, les changements sont plus subtils, impliquant seulement quelques modèles uniques ou quelques réglages fins. Faire ces appels au jugement – compromis entre la santé économique à long terme et la croissance à court terme – est l'un des emplois les plus importants auxquels les fondateurs de l'IA doivent faire face.

Choisissez les domaines problématiques avec soin – et souvent étroitement – pour réduire complexité des données. L'automatisation du travail humain est une chose fondamentalement difficile à faire. De nombreuses entreprises constatent que la tâche minimale viable pour les modèles d'IA est plus étroite que prévu. Plutôt que de proposer des suggestions générales de texte, par exemple, certaines équipes ont réussi à proposer de courtes suggestions dans des courriers électroniques ou des offres d'emploi. Les entreprises travaillant dans l'espace CRM ont trouvé des niches très utiles pour l'IA basées uniquement sur la mise à jour des enregistrements. Il existe une grande classe de problèmes, comme ceux-ci, difficiles à réaliser pour les humains mais relativement faciles pour l'IA. Ils impliquent généralement des tâches de grande envergure et de faible complexité, telles que la modération, la saisie / codage de données, la transcription, etc. La concentration sur ces domaines peut minimiser le défi des cas marginaux persistants – en d'autres termes, ils peuvent simplifier les données alimentant le Processus de développement de l'IA.

Nous pensons que la clé du succès à long terme pour les entreprises d'IA est de maîtriser les défis et de combiner le meilleur des services et des logiciels. Cliquez pour tweeter

Prévoyez des coûts variables élevés. En tant que fondateur, vous devez disposer d'un cadre mental fiable et intuitif pour votre modèle d'entreprise. Les coûts discutés dans cet article vont probablement s'améliorer – réduits d'une certaine constante – mais ce serait une erreur de supposer qu'ils disparaîtront complètement (ou de forcer cela de manière anormale). Au lieu de cela, nous suggérons de construire un modèle commercial et une stratégie GTM avec des marges brutes plus faibles à l'esprit. Quelques bons conseils des fondateurs: Comprenez en profondeur la distribution des données alimentant vos modèles. Traitez la maintenance des modèles et le basculement humain comme des problèmes de premier ordre. Suivez et mesurez vos coûts variables réels – ne les laissez pas se cacher dans la R&D. Faites des hypothèses économiques unitaires prudentes dans vos modèles financiers, en particulier lors d'une levée de fonds. N'attendez pas l'échelle ou les avancées technologiques extérieures pour résoudre le problème.

Embrassez les services. Il existe d'énormes possibilités de rencontrer le marché où il se trouve. Cela peut signifier offrir un service de traduction complet plutôt qu'un logiciel de traduction ou gérer un service de taxi plutôt que de vendre des voitures autonomes. Construire des entreprises hybrides est plus difficile que des logiciels purs, mais cette approche peut fournir un aperçu approfondi des besoins des clients et générer des entreprises à croissance rapide et définissant le marché. Les services peuvent également être un excellent outil pour lancer le moteur de mise sur le marché d'une entreprise – voir ce post pour en savoir plus à ce sujet – en particulier lors de la vente de technologies complexes et / ou flambant neuves. La clé est de poursuivre une stratégie de manière engagée, plutôt que de soutenir les clients des logiciels et des services.

Planifiez des changements dans la pile technologique. L'IA moderne en est encore à ses balbutiements. Les outils qui aident les praticiens à faire leur travail de manière efficace et standardisée sont en cours de construction. Au cours des prochaines années, nous prévoyons une disponibilité généralisée d'outils pour automatiser la formation des modèles, rendre l'inférence plus efficace, standardiser les flux de travail des développeurs et surveiller et sécuriser les modèles d'IA en production. Le cloud computing, en général, gagne également plus d'attention en tant que problème de coût à résoudre par les éditeurs de logiciels. Le fait de coupler étroitement une application à la manière actuelle de faire les choses peut conduire à un inconvénient architectural à l'avenir.

Renforcez la défensibilité à l'ancienne. Bien qu'il ne soit pas clair si un modèle d'IA lui-même – ou les données sous-jacentes – fournira un fossé à long terme, de bons produits et des données propriétaires créent presque toujours de bonnes entreprises. L'IA donne aux fondateurs un nouvel angle sur les anciens problèmes. Les techniques d'IA, par exemple, ont apporté une nouvelle valeur sur le marché de la détection de logiciels malveillants relativement endormi en affichant simplement de meilleures performances. L'occasion de créer des produits collants et des entreprises durables en plus des capacités initiales et uniques du produit est toujours d'actualité. Fait intéressant, nous avons également vu plusieurs sociétés d'intelligence artificielle consolider leur position sur le marché grâce à une stratégie cloud efficace, similaire à la génération la plus récente de sociétés open source.

* * *

Pour résumer: la plupart des systèmes d’IA ne sont pas assez logiciel, au sens traditionnel. Et les entreprises d'IA, par conséquent, ne ressemblent pas exactement aux entreprises de logiciels. Ils impliquent un soutien humain continu et des coûts variables matériels. Souvent, ils ne s’adaptent pas aussi facilement que nous le souhaiterions. Et une forte défensibilité – essentielle au modèle de logiciel «construire une fois / vendre plusieurs fois» – ne semble pas venir gratuitement.

Ces traits font que l'IA se sent, dans une certaine mesure, comme une entreprise de services. Autrement dit: vous pouvez remplacer la société de services, mais vous ne pouvez pas (complètement) remplacer les services.

Croyez-le ou non, cela peut être une bonne nouvelle. Des choses comme les coûts variables, la dynamique de mise à l'échelle et les douves défensives sont finalement déterminées par les marchés – pas par les entreprises individuelles. Le fait que nous constatons des tendances inconnues dans les données suggère que les entreprises d'IA sont vraiment quelque chose de nouveau – pénétrant de nouveaux marchés et créant d'énormes opportunités. Il existe déjà un certain nombre de grandes sociétés d'IA qui ont réussi parcouru le labyrinthe d'idées et construit des produits avec des performances toujours solides.

Des choses comme les coûts variables, la dynamique de mise à l'échelle et les douves défensives sont finalement déterminées par les marchés – pas par les entreprises individuelles. Le fait que nous constatons des tendances inconnues dans les données suggère que les entreprises d'IA sont vraiment quelque chose de nouveau -… Cliquez pour tweeter

L'IA est encore au début de la transition du sujet de recherche à la technologie de production. Il est facile d'oublier que AlexNet, qui a sans doute lancé la vague actuelle de développement de logiciels d'IA, a été publiée il y a moins de huit ans. Les applications intelligentes font avancer l'industrie du logiciel et nous sommes ravis de voir où elles iront ensuite.

Sources: Les estimations de la marge brute pour les logiciels traditionnels étaient basées sur une sélection de sociétés cotées sur publiccomps.com; les estimations de la marge brute des sociétés de services étaient basées sur 10 000 dépôts; et les estimations de la marge brute des entreprises d'IA étaient basées sur plusieurs entretiens avec les fondateurs de startups d'IA.

Les opinions exprimées ici sont celles de chaque personne AH Capital Management, L.L.C. («A16z») personnel cité et ne sont pas le point de vue de a16z ou de ses filiales. Certaines informations contenues ici ont été obtenues auprès de sources tierces, y compris auprès de sociétés de portefeuille de fonds gérés par a16z. Bien que provenant de sources jugées fiables, a16z n'a pas vérifié ces informations de manière indépendante et ne fait aucune déclaration sur l'exactitude durable des informations ou leur pertinence pour une situation donnée.

Ce contenu est fourni à titre informatif uniquement et ne doit pas être considéré comme un conseil juridique, commercial, d'investissement ou fiscal. Vous devriez consulter vos propres conseillers sur ces questions. Les références à des titres ou des actifs numériques sont fournies à titre indicatif uniquement et ne constituent pas une recommandation d'investissement ni une offre de prestation de services de conseil en investissement. En outre, ce contenu n'est pas destiné ni destiné à être utilisé par des investisseurs ou des investisseurs potentiels, et ne peut en aucun cas être invoqué lors de la décision d'investir dans un fonds géré par a16z. (Une offre d'investissement dans un fonds a16z ne sera faite que par le mémorandum de placement privé, la convention de souscription et tout autre document pertinent de ce fonds et doit être lu dans son intégralité.) Tous les investissements ou sociétés de portefeuille mentionnés, mentionnés, ou décrits ne sont pas représentatifs de tous les investissements dans des véhicules gérés par a16z, et rien ne garantit que les investissements seront rentables ou que d'autres investissements réalisés à l'avenir auront des caractéristiques ou des résultats similaires. Une liste des investissements réalisés par des fonds gérés par Andreessen Horowitz (à l'exclusion des investissements pour lesquels l'émetteur n'a pas autorisé A16z à divulguer publiquement ainsi que des investissements inopinés dans des actifs numériques cotés en bourse) est disponible sur https://a16z.com/investments/.

Les tableaux et graphiques fournis dans le présent document sont fournis à titre informatif uniquement et ne doivent pas être pris en compte lors de toute décision d'investissement. Les performances passées ne représentent pas les résultats futurs. Le contenu ne parle qu'à la date indiquée. Toutes les projections, estimations, prévisions, cibles, perspectives et / ou opinions exprimées dans ces documents peuvent être modifiées sans préavis et peuvent différer ou être contraires aux opinions exprimées par d'autres. S'il te plait regarde https://a16z.com/disclosures pour plus d'informations importantes.





Traduction de l’article de dasrush : Article Original

BlockBlog

Le Meilleur de l'Actualité Blockchain Francophone & Internationale | News, Guides, Avis & Tutoriels pour s'informer et démarrer facilement avec Bitcoin, les Crypto-Monnaies et le Blockchain. En Savoir Plus sur L'Équipe BlockBlog

Commenter cet Article

Commenter cet Article

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Plus dans News

Les Plus Populaires

Acheter des Bitcoin

Acheter des Alt-Coins

Sécuriser vos Cryptos

Vêtements et Produits Dérivés

Top
eget tristique commodo velit, leo. dapibus Phasellus pulvinar suscipit lectus