酷播亮新聞
文章摘要： EQT Ventures會持續不斷地增加自己對那些公司的評估資料它甚至可以給EQT Ventures投資的公司提供幫助
（原標題：This AI helps find great startups before the world discovers them）
AnyDesk的三位聯合創始人
網易科技訊 6月26日訊息，據國外媒體FastCompany報道，瑞典風投公司EQT Ventures打造了一個名為Motherbrain的人工智慧系統，利用機器學習技術來發現不為人知但潛力巨大的初創公司。
德國初創企業AnyDesk在創始團隊開啟斯德哥爾摩的EQT Ventures發來的電子郵件時，就已經實現正現金流了。Anydesk的創始人並不是在尋找外部投資，但卻被引起了興趣。EQT Ventures成立兩年的基金有逾6.5億美元可投資，其合夥人並不是以往那些通常管理歐洲風投基金的銀行家。相反，他們都是來自歐洲科技公司（如Spotify、Huddle和Rebtel）的公司創始人或高管。
在柏林與風險投資主管阿什利·倫德斯特羅姆（Ashley Lundstrom）的一次會面上，AnyDesk的聯合創始人菲利普·威瑟（Philipp Weiser）瞭解到Motherbrain，它是EQT Ventures開發來發現不為人知的初創公司的一個機器學習系統。「她告訴我們，我們是最早被這種軟體發現的公司之一。」威瑟說。AnyDesk致力於銷售由一專有壓縮系統驅動的遠端桌面軟體。今年5月，它完成了由EQT Ventures領投的一輪760萬美元融資。
EQT Ventures向AnyDesk投入的資金是否會成為一個成功的投資案例，還有待觀察。但該公司已經將Motherbrain演算法應用到歷史資料中，並證明它會在當下的一些最紅火的科技公司還沒有嶄露頭角之前將它們列為前景廣闊的投資候選者。例如，該系統會在Airbnb、Snapchat和Stripe僅僅獲得天使資金和種子資金的時候就看中它們，將它們標記出來。
資料驅動的投資
在加入EQT Ventures之前，亨裡克·蘭德格林（Henrik Landgren）是Spotify的分析副總裁。「外面有數百萬家公司，」他說，「你怎麼知道該找誰呢？過去的方法是和那些通過你的關係網路找到你的人交談，但更現代的方法是使用最新的技術、資料和演算法，主動接觸那些最有可能成為好投資的人。」
EQT Ventures高管亨裡克·蘭德格林
Motherbrain利用融資等金融資料、網站排名和應用排名資料、社交網路活動等等，來對數百萬家公司進行監控。EQT Ventures會持續不斷地增加自己對那些公司的評估資料，以訓練Motherbrain聚焦好的投資機會的能力。
該軟體被用於投資過程的每一個階段，但它最重要的功能是給你提供優先次序：建議基金現在應該關注哪些公司。「AnyDesk早早被發現，是因為它們在各項資料中所表現出來的進展。」蘭德格林說，「他們之前並不是經驗豐富的融資人。他們是一個非常機智、非常聰明的團隊，他們開發的產品具有令人驚歎的進展。」
一旦有公司進入基金的觀察範圍，Motherbrain也會加速對它的評估。即使推薦投資該公司的並不是Motherbrain本身，Motherbrain系統也會使用它的排名，系統還會包含一些有用的資訊，比如競爭對手和市場規模。它甚至可以給EQT Ventures投資的公司提供幫助，因為它包含了大量關於投資者、競爭對手、新興技術和市場趨勢的資料。「例如，對於B2B公司，我們可以利用Motherbrain來幫助他們尋找銷售線索來獲得新客戶。」蘭德格林說道。
EQT Ventures並不是唯一一家使用資料分析的風險投資基金。大多數基金都至少收集基本的公司資料，並基於這些資料建立過濾器、規則或趨勢警報。投資早期階段歐洲科技公司的InReach Ventures也利用機器學習來發現好的投資標的。自2013年以來，舊金山公司SignalFire一直在使用資料驅動的投資模式。但是Motherbrain的出衆之處在於，它的系統非常先進，而且它幫助分配的資金規模也很大。
Motherbrain是如何運作的
Motherbrain結合使用非監督式和監督式深度學習演算法。非監督式學習演算法是在沒有任何外部指導的情況下發現資料中的重要模式。監督式學習演算法需要有標記的訓練資料。例如，如果訓練資料包含被標記為「貓」或「不是貓」的動物的例子，演算法就會試圖瞭解貓的特徵，從而判斷呈現在它面前的新動物是否是貓。
在風險投資中，資料可以用來對公司進行市場行業歸類，這是任何風投公司都要進行的一項基本任務。創業公司用來描述自己的文字和其他人對它的行業歸類可以在這個過程帶來幫助，但那些資料往往是雜亂且相互矛盾的，尤其是對於新興的技術和行業。Motherbrain利用非監督式學習的方法來發現公司的類別。然後，EQT Ventures的員工給每個類別中的公司貼上標籤——例如，鑑別一個包含區塊鏈公司的類別——然後帶標籤的資料被用來訓練監督式學習演算法。之後，Motherbrain會自動對新公司進行行業分類。
「這實際上是一種從非常嘈雜的資料中獲得一些有意義的資訊的方法。」蘭德格林說，「如果你根據嘈雜的資料對模型進行訓練，你可以建立更少的類別，從而擁有更好的預測能力。」
公司隨著時間推移的演變——以及相關資料指標如何隨之發生變化——也是評估過程中的一個重要因素。時間序列是一組編入索引的資料點，捕捉了公司的演變過程。Motherbrain可以從時間序列資料中學習，根據具有類似指標的公司的表現，預測公司未來將會如何演變。「例如，他們融資的速度是快還是慢？」蘭德格林指出，「當你將時間序列納入考慮範圍時，網路趨勢、應用排名以及所有那些不同的東西實際上會更加有趣。」
蘭德格林還為EQT Ventures專門為Motherbrain開發的最先進的資料基礎設施感到自豪。他有個由5人組成的專門開發團隊與谷歌密切合作，採用Kafka、Kubernetes、Google BigQuery和BigTable等技術。
「開發人員在工作時，會不斷地發現自己遇到些還沒有人問過的問題。」蘭德格林稱，「然後你會覺得坐立不安。我們正在構建一個人工智慧決策平臺，用於幫助作出涉及人類和大量資料集的決策。我認為這種結合相當新穎。我們正走在前沿位置。」
大資料，大問題
Motherbrain遠非完美無缺。就像任何的機器學習系統一樣，它的預測好壞完全取決於訓練資料的好壞，而且資料總是不完整的，有時甚至完全不準確。蘭德格林說，「我們確實有看到一些沒有資料記錄的公司——它們處於‘隱身’模式——即使是Motherbrain也看不到它們，所以這將會是一個問題。」
通過將多個數據源拼接在一起，EQT Ventures試圖增加系統的覆蓋範圍和不同資料來源之間的重疊。由於該公司的投資者每天都在使用Motherbrain，他們可以在發現數據源之間的差異時糾正它們。
蘭德格林也熱衷於強調，Motherbrain離做出最後的投資決定還有很長的路要走。「打造讓你能夠找到優秀公司的模型當然是好事，但這並不意味著你只需按下一個按鈕就能知道該投資誰。」蘭德格林表示，「這需要做更多別的工作，其中很大一部分就是像傳統投資者那樣去建立關係。關鍵是要知道建立什麼樣的關係以及何時建立。這就是我們使用Motherbrain的目的。」（樂邦）
本文來源：網易科技報道 責任編輯：王鳳枝_NT2541