Запуск ChatGPT в ноябре 2022 г. ознаменовал начало эрыAI, навсегда изменив технологическую отрасль. С декабря AI стал занимать важное место практически во всех питчдеках, с которыми я сталкивался. Однако, как и в случае с любой другой развивающейся технологией, венчурным капиталистам, подобно нам самим, приходится оперативно разрабатывать стратегию дифференциации перспективных стартапов от тех, которые в большинстве случаев сталкиваются с непреодолимыми проблемами, мешающими их потенциалу для значительного роста. Для этого необходимо всестороннее понимание различных участников генеративногоAI, выявление возможностей для инвестирования и разработка тщательной комплексной оценки рисков и потенциала каждого стартапа. ГенеративныйAI включает в себя несколько компонентов, каждый из которых представляет собой уникальную инвестиционную перспективу и проблему для компаний начального этапа. Давайте рассмотрим различные аспекты. В настоящее время генеративные модели АИ связаны с точностью и надежностью генерируемой информации.

В некоторых случаях они содержат обширные наборы данных, включающие как ценную, так и неактуальную информацию. Однако мы ожидаем, что в ближайшие годы появление генеративныхAI- приложений будет включать в себя более точные данные и фрагменты специализированных моделей. Вместо использования расширенных наборов данных эти специализированные модели будут использовать соответствующие специфические данные, что приведет к персонализированным выводам, гарантирующим точность. модели с соответствующими данными с использованием соответствующей архитектуры ПО, эти специализированные модели будут приводить в действие прикладной уровень, взаимодействующий с потребителями и бизнесом. Этот аспект составляет вторую часть четырех тезисов по инвестированию в сектор. В частности, мы выражаем оптимизм в отношении компаний, занимающихся разработкой инфраструктуры и инструментальных средств, которые оценивают и обеспечивают безопасность, точность и конфиденциальность результатов моделирования, организуют вывод информации по нескольким моделям и оптимизируют интеграцию собственных данных с моделями на иностранных языках( LLM).