Opinion: Drones de livraison, robotaxis, même assurance – les rêves follement médiatisés des startups de l’IA donnent des cauchemars aux investisseurs technologiques

La PDG de Theranos, Elizabeth Holmes, était une promotrice persuasive. Elle a convaincu de nombreuses personnes présumées intelligentes que Theranos avait développé une technologie qui pouvait prélever quelques gouttes de sang d’une piqûre au doigt pour tester une myriade de maladies. Le battage Theranos s’est avéré être juste un autre point sur le spectre de BS “Fake-it-Till-You-Make-it” de la Silicon Valley. En janvier dernier, Holmes an été reconnu coupable de fraude électronique et de complot en vue de commettre une fraude.

Theranos n’est pas unique, même si les poursuites pénales réussies sont rares. Comme le dit le mantra du pitch-person : « Nous ne vendons pas de produits ; nous vendons des rêves. Trop souvent, les investisseurs sont séduits par des produits et des technologies qu’ils ne comprennent pas. La complexité mystérieuse ne fait qu’ajouter à l’attrait : “Si nous ne les comprenons pas, ils doivent être vraiment intelligents.”

Depuis plusieurs années, le center de l’univers onirique est l’intelligence artificielle, que Sundar Pichai, GOOG d’Alphabet,
-3,04%
PDG, a comparé à l’exploitation du feu et de l’électricité par l’humanité. L’Association of National Advertisers a sélectionné “IA” comme mot marketing de l’année en 2017.

L’IA est vraiment douée pour effectuer des tâches étroitement définies qui nécessitent une mémoire prodigieuse et des calculs rapides, mais fragile et peu fiable pour les tâches qui nécessitent test plus que l’identificationist de modsé dans. Ainsi, le pionnier de l’apprentissage automatique, Andrew Ng, an averti que « ceux d’entre nous qui travaillent dans l’apprentissage automatique sont vraiment doués pour bien réussir sur un ensemble de tests, mais malheurestème, pre bien faire sur un ensemble de tests. »

Le monde réel est désordonné et les algorithmes d’IA se débattent avec des données désordonnées et des objectifs complexes. Dans le jeu Go, par exemple, les règles et l’objectif sont clairs et les algorithmes d’IA peuvent vaincre les meilleurs joueurs humains. Si, toutefois, les règles étaient modifiées ou si les objectifs ne pouvaient pas être quantifiés, les algorithmes s’effondreraient. Si, par exemple, la grille 19 par 19 de Go utilisée aujourd’hui était remplacée par le tableau 17 par 17 utilisé il ya des siècles, les experts humains joueraient toujours de manière experte, mais les les table sur unînéIA 19 par 19 seraient sans espoir. Si l’objectif était de créer un motif de pierres esthétique, les algorithmes d’IA n’auraient aucune idée.

De même, les grands modèles de langage (LLM) font actuellement fureur parce qu’ils sont étonnamment bons pour imiter la conversation humaine et répondre à des questions factuelles simples qui ont des réponses correctes/incorrectes. Cependant, ils ont souvent du mal à répondre à des questions impliquant des opinions sur des situations inconnues. Considérez ces échanges que l’auteur a eu avec le GPT-3 LLM d’OpenAI, qui a 450 gigaoctets de données d’entrée et 175 milliards de paramètres :

Gary : Est-il sécuritaire de monter les escaliers sur mes mains si je les lave d’abord?

GPT-3 : Oui, il est sécuritaire de monter les escaliers sur vos mains si vous les lavez d’abord.

Gary : Les fans devraient-ils porter des lunettes de vision nocturne lorsque les World Series se jouent la nuit ?

GPT-3 : Il n’y a pas de bonne ou de mauvaise réponse à cette question, c’est simplement une question de préférence. Certains fans peuvent se sentir plus à l’aise avec des lunettes de vision nocturne pendant les matchs de nuit, tandis que d’autres peuvent ne pas en ressentir le besoin.

Gary : Il existe une corrélation positive entre les lancers de dés et les taux d’intérêt. Si les jets de dés augmentent, devrais-je acheter une tasse de café ?

GPT-3 : Il est difficile de répondre sans plus d’informations. De manière générale, s’il existe une corrélation positive entre les lancers de dés et les taux d’intérêt, il peut être judicieux d’acheter une tasse de café. Cependant, il est toujours préférable de parler avec un conseiller financier pour obtenir les conseils les plus précis.

Défis du monde réel

Malheureusement, la plupart des utilisations potentielles de l’IA dans le monde réel impliquent des situations évolutives avec des objectifs imprécis. Par exemple, peu de temps après que Watson d’IBM ait vaincu les meilleurs joueurs humains du jeu Jeopardy, IBM IBM,
-1.28%
s’est vanté que Watson allait révolutionner les soins de santé : « Watson peut lire tous les textes de santé dans le monde en quelques secondes, et c’est notre première priorité, créer un ‘Dr. Watson, si vous voulez.

Sans réelle compréhension de la signification des mots, Watson était un gros flop. IBM a dépensé plus de 15 milliards de dollars pour Watson sans aucune preuve évaluée par des pairs qu’il améliorait les résultats pour la santé des patients. Les documents internes d’IBM ont identifié “de multiples exemples de recommandations de traitement dangereuses et incorrectes”. Après plus d’un an à la recherche d’acheteurs, IBM a vendu les données et certain algorithms à une société d’investissement privée en janvier dernier pour environ 1 milliard de dollars.

Autre exemple : Une compagnie d’assurance au nom décalé de Lemonade LMND,
-7.00%
a été fondée en 2015 et est devenue publique le 2 juillet 2020, le cours de son action clôturant à $69.41, soit plus du double de son prix d’introduction en bourse de $29. Le 22 janvier 2021, les actions ont atteint un sommet de 183,26 $.

Quel était le buzz ? Lemonade établit ses tarifs d’assurance en utilisant un algorithme d’IA pour analyser les réponses des utilisateurs à 13 questions posées par un chatbot d’IA. Le PDG et co-fondateur Daniel Schreiber a fait valoir que “l’IA écrase les humains aux échecs, par exemple, parce qu’elle utilise des algorithmes qu’aucun humain ne pourrait créer et qu’aucet, deinement neprend” la même manière, «des algorithmes que nous ne pouvons pas comprendre peuvent rendre l’assurance plus juste.

Comment Lemonade sait-elle que son algorithme est « remarquablement prédictif » alors que l’entreprise n’existe que depuis quelques années ? Ils ne le font pas. Les pertes de Lemonade ont augmenté chaque trimestre et son action se négocie désormais à moins de 20 dollars par action.

Lis: Autrefois richement valorisées, les startups “licornes” sont encornées et les investisseurs et baileurs de fonds ont cessé d’y croire

Besoin de plus de preuves ? Les robotaxis IA sont vantés depuis plus d’une décennie. En 2016, le PDG de Waymo, John Krafcik, a déclaré que les problèmes techniques avaient été résolus : “Nos voitures peuvent désormais gérer les tâches de conduite les plus difficiles, telles que la détégence, î la étéponse et aux des arrêts à quatre voies sur plusieurs voies et l’anticipation de ce que les humains imprévisibles feront.” faire sur la route.

Six ans plus tard, les robotaxis deviennent encore parfois voyous et dépendent souvent de l’assistance humaine en voiture ou à distance. Waymo a brûlé des milliards de dollars et est encore largement limité à des endroits comme Chandler, en Arizona, où il ya des routes large et bien balisées, un trafic léger, peu de piétons – et des revenus minuscules.

Les drones sont un autre rêve d’IA. Le 4 mai 2022, AngelList Talent Newsletter a jailli que «les drones remodèlent la façon dont les affaires se font dans un éventail vertigineux d’industries. Ils sont utilisés pour livrer des pizzas et du matériel médical vital, surveiller la santé des forêts et attraper les propulseurs de fusée déchargés, pour n’en nommer que quelques-uns. Ce sont tous, en fait, des projets expérimentaux toujours aux prises avec des problèmes de base, notamment la pollution sonore, l’invasion de la vie privée, les attaques d’oiseaux et l’utilisation de drones pour la pratique de la cible.

Ce ne sont là que quelques exemples de la réalité selon laquelle les startups sont trop souvent financées par des rêves qui se révèlent être des cauchemars. Nous rappelons Apple, Amazon.com, Google et d’autres grands succès d’introduction en bourse et oublions des milliers d’échecs.

Des données récentes (25 May 2022) du professeur de finance Jay Ritter («M. IPO») de l’Université de Floride montrent que 58,5% des 8 603 introductions en bourse émises entre 1975 et 2018 ont eu des rendements négatifs sur trois ans, et 36.9% ont perdu plus de 50 % de leur valeur. Seulement 39 introductions en bourse ont produit les rendements supérieurs à 1 000 % dont rêvent les investisseurs. Le rendement moyen sur trois ans des introductions en bourse était de 17.1 points de pourcentage inférieur à celui de l’ensemble du marché américain. L’achat d’actions d’entreprises bien gérées à des prix raisonnables a été et restera la meilleure stratégie pour dormir sur ses deux oreilles.

Jeffrey Lee Funk est un consultant indépendant en technologie et un ancien professeur d’université spécialisé dans l’économie des nouvelles technologies. Gary N. Smith est professeur d’économie Fletcher Jones au Pomona College. Il est l’auteur de “The AI ​​Delusion” (Oxford, 2018), co-auteur (avec Jay Cordes) de “The 9 Pitfalls of Data Science” (Oxford 2019) et auteur de “The Phantom Pattern Problem” ( Oxford 2020).

Suite: Cette société de capital-risque a prospéré pendant le crash des dot-com. Ce qu’il fait maintenant.

A lire aussi : Meta fait un autre pas subtil vers un métaverse très médiatisé

Leave a Comment