Wenn Sie sprechen Wenn es um Investitionen in Start-ups mit künstlicher Intelligenz im Vergleich zu Start-ups mit maschinellem Lernen geht, ist es wichtig, „KI“ von „maschinellem Lernen“ zu unterscheiden. Diese Ausdrücke werden oft synonym verwendet, haben aber eine etwas andere Bedeutung.
Maschinelles Lernen oder ML ist eine Methode zum Trainieren von KI-Modellen, damit diese lernen können, Entscheidungen zu treffen. Anders ausgedrückt geht es bei ML darum, Modelle zu trainieren, um bestimmte Aufgaben zu lösen, indem sie aus Daten lernen und Vorhersagen treffen. KI hingegen ist das umfassendere Konzept für Systeme, die menschliche Kognition nachahmen.
ML ist also ein Teilgebiet der KI, aber nicht dasselbe.
Lonne Jaffe, Geschäftsführerin bei Insight Partners, erklärt, dass Insight ein „dreischichtiges“ Framework verwendet, um die Definition eines ML-Startups zu entpacken.
Wir erweitern unseren Blickwinkel und suchen nach mehr Investoren, die an TechCrunch+-Umfragen teilnehmen, bei denen wir Top-Experten zu den Herausforderungen in ihrer Branche befragen.
Wenn Sie ein Investor sind und an zukünftigen Umfragen teilnehmen möchten, füllen Sie das Formular aus diese Form.
Auf der ersten Ebene, sagt er, befinden sich Kerninfrastrukturunternehmen – Produkte, mit denen eine Person ein ML-System aufbaut. Auf der zweiten Ebene befinden sich Apps, die darauf abzielen, einen bestimmten Anwendungsfall oder Workflow mithilfe von ML zu bewältigen. Die dritte Ebene umfasst mittlerweile ML-Startups, die sich innerhalb einer Branche als „tatsächlicher Akteur“ in dieser Branche manifestieren – denken Sie an Startups, die zu einer Startup-Bank werden, auch wenn der Kern des Startups immer noch ML-Talente sind.
Gemäß diesem Rahmen reichen Beispiele für ML-Startups von Weights & Biases, das Tools zum Erstellen und Überwachen von KI-Modellen bereitstellt, bis hin zu Iterative Health, einem Gesundheitsunternehmen, das ein ML-System zur Identifizierung von Krebspolypen aus einer Koloskopie nutzt.
Der Markt für ML ist ziemlich groß, mit a Bericht Laut einer Schätzung von Grand View Research hatte es im Jahr 2022 einen Wert von 49,6 Milliarden US-Dollar und könnte bis 2030 mit einer durchschnittlichen jährlichen Wachstumsrate von 33,5 % wachsen. Und es wächst schon seit einiger Zeit: Eine Umfrage von Dresner Advisory Services aus dem Jahr 2021 ergab, dass 59 % aller großen Unternehmen die Lösung einsetzen ML: 50 % dieser Organisationen geben an, heute 25 oder mehr ML-Modelle im Einsatz zu haben.
Warum wächst dieser Bereich so schnell? 451 Research, die Tech-Forschungs- und Entwicklungsgruppe von S&P, postulierte kürzlich in einer Studie Bericht dass sich die erste Welle der ML-Einführung darauf konzentrierte, Legacy-Systeme und -Prozesse intelligenter zu machen – wie Business Intelligence, Kundensupport, Vertrieb und Marketing sowie Sicherheit. Aber jetzt, da diese Anwendungen ausgereift sind, hat sich die Aufmerksamkeit auf eher branchenspezifische und lukrative Nischenanwendungen für maschinelles Lernen verlagert, insbesondere in den Bereichen Finanzen, Einzelhandel, Fertigung und Gesundheitswesen.
Jerry Chen, Partner bei Greylock, glaubt, dass wir gerade erst anfangen zu erkennen, wie die nächste Generation von ML-Unternehmen aussehen wird. „Der Zyklus läuft stark“, sagte er gegenüber TechCrunch+. „Ich bin gespannt, wie etablierte Unternehmen und Technologieakteure in die Start-ups eintreten, mit ihnen konkurrieren oder mit ihnen zusammenarbeiten. Insbesondere denke ich, dass wir in den nächsten Monaten einige interessante Go-to-Market-Partnerschaften sehen werden.“
Aber was ist mit dem breiteren VC-Ökosystem? Sind VCs im Allgemeinen optimistisch, was die Zukunft von ML angeht?
Um ein besseres Gefühl zu bekommen, befragte TechCrunch+ Investoren, darunter Chen und Jaffe, zum aktuellen Stand der ML-Investitionen. Wir haben den Zustand der ML-Finanzierungslandschaft angesprochen und gefragt, ob der Hype um ML, der vor einigen Jahren recht stark war, allmählich nachlässt. Wir haben Investoren auch gefragt, welche Herausforderungen der Einführung von ML-Technologie im Wege stehen und wie die nächsten Monate im Hinblick auf das Marktwachstum aussehen könnten.
Wir haben gesprochen mit:
(Anmerkung des Herausgebers: Die folgenden Antworten wurden aus Gründen der Länge und Klarheit bearbeitet.)
Lonne Jaffe, Geschäftsführerin, Insight Partners
Wie stark ist der ML-Venture-Fundraising-Markt heute und wie hat er sich bisher im Jahr 2023 entwickelt?
Die Veröffentlichung von ChatGPT vor fünf Monaten löste das Feuer der Startup-Innovation rund um ML aus und führte zu einer erneuten Spendendynamik. Wir sind von Vorhersagesystemen – wie Klassifizierungs- oder Empfehlungssystemen – zu Schöpfungssystemen übergegangen. Während Geld in generative ML-Systeme geflossen ist, gab es auch große Fortschritte bei eher „traditionellen“, diskriminierenden ML-Systemen wie Vorhersage- oder Klassifizierungssystemen.
Wir waren in letzter Zeit besonders aktiv bei angewandten Computer-Vision-ML-Systemen im Gesundheitswesen, von denen einige bald in bestimmten Bereichen mit der Leistung menschlicher Ärzte mithalten oder diese sogar übertreffen könnten. Beispielsweise nutzt das Dental-Startup Overjet KI zur Analyse von Zahnröntgenbildern, um Zahnärzten bei der Entscheidung zu helfen, ob ein Zahn eine Füllung oder eine Krone benötigt, und so die Patientenergebnisse zu verbessern.