Исследование, в ходе которого модели машинного обучения были обучены для оценки более 1 миллиона компаний, показало, что искусственный интеллект (ИИ) может точно определить, потерпит ли стартап стартап неудачу или добьется успеха. В результате получился инструмент Venhound, который может помочь инвесторам определить следующего единорога.
Хорошо известно, что около 90% стартапов терпят неудачу: от 10% до 22% терпят неудачу в течение первого года, и это представляет значительный риск для венчурных капиталистов и других инвесторов в компаниях на ранних стадиях. Стремясь определить, какие компании с большей вероятностью добьются успеха, исследователи разработали модели машинного обучения, обученные на исторических данных более чем 1 миллиона компаний. Их результаты, опубликованные в журнале KeAi The Journal of Finance and Data Science , показывают, что эти модели могут предсказывать результаты деятельности компании с точностью до 90%. Это означает, что потенциально 9 из 10 компаний оценены правильно.
«Это исследование показывает, как ансамбли нелинейных моделей машинного обучения, применяемые к большим данным, обладают огромным потенциалом для сопоставления больших наборов функций с бизнес-результатами, что недостижимо с традиционными моделями линейной регрессии», — объясняет соавтор Санджив Дас, профессор Финансы и наука о данных в Школе бизнеса Ливи Университета Санта-Клары в США.
Авторы разработали новый ансамбль моделей, в котором совокупный вклад моделей перевешивает прогностический потенциал каждой из них в отдельности. Каждая модель классифицирует компанию, помещая ее в одну из нескольких категорий успеха или категорию неудач с определенной вероятностью. Например, у компании может быть очень высокая вероятность успеха, если ансамбль утверждает, что она имеет 75% вероятность участия в IPO (листинг на фондовой бирже) или в категории « приобретение другой компанией », в то время как только 25% ее прогноза будет попадают в категорию неудачников.
Исследователи обучили модели на данных, полученных из Crunchbase, краудсорсинговой платформы, содержащей подробную информацию о многих компаниях. Они объединили наблюдения Crunchbase с патентными данными USPTO (Ведомство США по патентам и товарным знакам). Учитывая краудсорсинговый характер Crunchbase, неудивительно, что в записях некоторых компаний отсутствует информация. Это наблюдение вдохновило авторов измерить объем недостающей информации для каждой компании и использовать это значение в качестве входных данных для модели. Это наблюдение оказалось одним из наиболее важных факторов при определении того, будет ли компания приобретена или иным образом обанкротится.
Ведущий автор Грег Росс из Venhound Inc. отмечает, что ансамбль моделей, наряду с новыми функциями данных, «обеспечивает уровень точности, точности и запоминаемости, который превосходит другие аналогичные исследования. Инвесторы могут использовать это, чтобы быстро оценивать перспективы, повышать потенциальные опасения. и принимать более обоснованные решения о составе своих портфелей».
