AI for Investment: A Platform Disruption
https://arxiv.org/abs/2311.06251
ポイントは以下の通りです:
- 現在の投資ファンドは平均して75%の時間をディールソーシングとデューデリジェンスに費やしており、関係性の構築や投資といった付加価値の高いタスクに集中できていない
- 従来のアプローチはコストが掛かり、容易に規模を拡大できないため、AIの活用が期待されている
- 近年、ディールソーシングとディールインサイトに関してサードパーティーのプロバイダーが出現しており、そのソリューションは以下の3つのグループに分類できる:
- 主要なアーキタイプを持つ企業のデータベースを集約し、全体的な検索機能を付与する
- ディールインサイトのための代替データを集約・処理する
- プロセスの整理や質問に対する迅速な回答によって標準的なデューデリジェンスを提供する
- サードパーティーによるソリューションによってある程度は生産性を高めることができるが、以下の理由から真のニーズには対応できていない:
- 投資ファンドに向けたカスタマイズの欠如
- 投資ファンドが持つデータへのアクセスが不十分
- 投資ファンドによるプライバシーへの懸念
- 特定のユースケースに設計されたソフトウェアの自然な限界
- サードパーティーソリューションの欠点に伴い、ほぼすべての主要ファンドと一部の小規模ファンドが、ディールソーシングとディールインサイトのための独自の自動化プラットフォームの構築を開始した。80以上のベンチャーキャピタル(VC)が取り組んでおり、2025年までにVC資金の75%に成長する見込みである
- これらの自動化/AIプラットフォームは、従来のソフトウェアソリューションとは3つの点で異なっている:
- 1つのシステムで、独自のものを含むすべてのデータにアクセスできる
- システムが投資ファンドについて学習し、個別に最適化されていく
- 様々なユースケースを首尾一貫した方法で自動化できる
- 最近では、投資プロセスの自動化のためのアルゴリズムを提供する200以上の学術研究論文が出ており、その一部は投資ファンドによって直接支援されている
- ChatGPT・PaLM・Falcon・Cohere、その他同様のオープンソースの大規模言語モデルは、独自のプラットフォームで競争上の優位性を回復するためのゲームに、中小規模の投資ファンドが参加できるようにした
- オープンソースの大規模言語モデルの影響は以下の通り:
- データの準備/クリーニングに要する時間とコストの削減
- モデルのトレーニングに要する時間とコストの削減
- 差別化のために必要な独自のデータ量の減少
- 投資ファンドのサーバー上での運用によるプライバシーの保護
- テキスト埋め込みの品質の大幅な向上
- ニューラルネットワークの解釈の実現
- 大規模言語モデルはまだ投資業界にとって検証段階にあるが、すでにAIプラットフォームに大きな改善を示しており、その将来性が期待される
- 投資ファンドが独自のプラットフォームを開発する際の実践的なアプローチは以下の通り:
- プラットフォームの開発の基礎となるべき機能を定義する
- 優先すべきユースケースを選択する
- 投入するデータを収集するパイプラインを設置する
- 複数の多様なアルゴリズムの使用を保証する
- 技術的能力・投資プロセスのノウハウ・構築能力の3つを考慮して開発チームを選択する
- オープンソースの活用や投資ファンド間での共有によって開発コストを削減する
- 対応にあたっての最大のリスクは、何もしないことである。AIプラットフォームを保有しないことは、現時点では投資ファンドにとって競争上の不利にはならないが、2年後にはそのようになるだろう
事業会社にとってのAIプラットフォームに対する向き合い方
投資ファンドという言葉には、ベンチャーキャピタル(VC)以外にヘッジファンドやバイアウトファンドなど、様々なものが含まれます。いずれも通常の事業会社と比べて豊富な資金を持っていることが特徴で、業務の生産性が向上するものに関しては、積極的に投資することを厭わないのではないでしょうか。そこで本報告を参考にして、事業会社の立場でAIプラットフォームに対してできることを考えてみましょう。企業内において、AIを活用できる業務は多岐に渡ります。一方で多くの事業会社が投じられる資金は限られていることから、取捨選択が必要です。競争力に直結しないバックエンドなどのビジネスプロセスの多くは、AIが組み込まれたSaaSのような既存のソフトウェアを使うことが基本となります。そして最も重要な領域で、独自の強みを元にした統合的なプラットフォームの構築を目指すことになります。
一般消費財メーカーであれば、マーケティングがそれに該当するかもしれません。とりわけBtoCの場合は自然言語処理が適用できることから、ChatGPTのようなオープンソースの大規模言語モデルが有効です。本報告で書かれているように、これらを基盤として活用することで、規模で劣る企業であっても独自のプラットフォームを構築できる可能性が出てきています。
他方で、製品の機能性に強みを持つ研究開発型の企業ではどうでしょうか。例えば化学メーカーや製薬メーカーがマテリアルインフォマティクスやAI創薬に取り組む事例が見られます。これらは自然言語を扱うものではないため、大規模言語モデルの活用は難しいと思われます。しかしながら各分野で基盤となり得るオープンソースソフトウェアが出てくれば、それを元に独自性の追求が容易になりそうです。
よって各企業は自社の強みに関連したAIの開発動向を注視する必要があります。このような取り組みの感度を高めるためにはどうすればよいでしょうか。前回の記事を参考にすると、ICTに関する深い知識を持つ従業員の割合を高めることが有効かもしれません(EUのベンチャーキャピタルにおけるAIの採用状況)。つまり何をしたいかを決める前に、まずはデジタル系の素養を持った人材を積極的に採用するという姿勢です。
0 件のコメント :
コメントを投稿