ایلیا لیمکین ، مهندس ارشد نرم افزار با سالها تجربه در توسعه محصولات پیشرفته ، راه حلی برای ساده سازی فرایند ارزیابی راه اندازی برای صندوق های سرمایه گذاری ایجاد کرده است. پلتفرم وی ، Dualspace.ai ، تخصص خود را در مهندسی نرم افزار با تجربه عملی خود در تجزیه و تحلیل تجارت فنی ادغام می کند. در این مصاحبه ، ایلیا رویکردهای حرفه ای خود را به اشتراک می گذارد ، جزئیات اجرای الگوریتم های پیچیده را شرح می دهد و در مورد چگونگی تغییر فناوری می تواند چشم انداز سرمایه گذاری سرمایه گذاری را مورد بحث قرار دهد. برای اطلاعات بیشتر در مورد اهمیت توسعه برنامه AI برای سرمایه گذاری های راه اندازی کلیک کنید در اینجابشر
آیا می توانید در مورد پروژه های خود برای ما بگویید و چرا DualSpace.ai را ایجاد کرده اید؟ چه چیزی این ایده را القا کرد؟
من تجربه گسترده ای در کار با محصولات فنی داخلی در Spotify دارم. با دانستن این موضوع ، صندوق های سرمایه گذاری برای ارزیابی های فنی از راه اندازی هایی که برای سرمایه گذاری در نظر گرفته بودند ، به من رسیدند. من به عنوان یک متخصص ، من نحوه استفاده از این استارتاپ ها را تجزیه و تحلیل کردم و داده های GitHub و سایر منابع باز را اعمال می کنم. در ابتدا ، من این اطلاعات را به صورت دستی در صفحات گسترده گردآوری کردم و آن را از طریق ایمیل برای VCS ارسال کردم. پس از اتمام چند درخواست ، من برای صرفه جویی در وقت و ارزیابی شرکت های بیشتر در مورد خودکار کردن فرایند فکر کردم.
این نمونه اولیه اولیه DualSpace شد. من طیف گسترده ای از داده ها را در مورد راه اندازی های فنی از منابع عمومی جمع کردم و از کیفیت فنی محصولات آنها و پتانسیل سرمایه گذاری آنها نتیجه گرفتم. البته ، نتایج فقط یک قطعه از معما است-سرمایه گذاران در نهایت از ترکیبی از منابع برای تصمیم گیری استفاده می کنند ، که دوتایی فقط یکی از آنهاست.
مخاطب اصلی شما کیست و چه مشکلات اساسی را برای آنها حل می کنید؟
مخاطبان اصلی ما شامل صندوق های سرمایه گذاری و سرمایه گذاران هستند که به دنبال داده های اضافی در مورد استارتاپ ها برای حمایت از تصمیمات سرمایه گذاری خود هستند. مشکل دیگری که DualSpace حل می کند کشف شرکت های فنی جدید برای سرمایه گذاری است. این پلتفرم پروژه های نوظهور را شناسایی می کند و سرمایه گذاران را قادر می سازد تا به بنیانگذاران برسند و از فرصت های بالقوه بودجه سؤال کنند.
DualSpace.ai برای ارزیابی فنی و تجزیه و تحلیل معامله چه مزایایی ارائه می دهد؟
فرایند بودجه سرمایه گذاری به طور معمول با شروع کار با ایده های خود از طریق عرشه ها آغاز می شود و به دنبال آن مکالمه های متعدد با سرمایه گذاران انجام می شود. در این مرحله ، سرمایه گذاران در درجه اول به اطلاعات ارائه شده توسط استارتاپ و منابع حکایتی متکی هستند. معمولاً هیچ ارزیابی فنی قابل اعتماد وجود ندارد ، که اغلب منجر به خطا می شود. DualSpace این شاخص های فنی مفقود شده را ارائه می دهد ، و به سرمایه گذاران این امکان را می دهد تا با تجزیه و تحلیل داده های منبع باز تصمیمات آگاهانه تری بگیرند.
دو dualspace.ai برای ارزیابی راه اندازی کدام معیارهای منحصر به فرد و پارامترهای تجزیه و تحلیل چیست؟
پلتفرم ما بینش در مورد نرخ رشد یک استارتاپ را در مقایسه با رقبا ارائه می دهد. به عنوان مثال ، ما استارتاپ ها را در صدک ها (10 ، 25 ، 50 ، 75 یا 90) قرار می دهیم ، با صدک 90 نماینده شرکت های برتر.
ما فعالیت GitHub را برای تأیید کیفیت “ستاره ها” که یک پروژه دریافت می کند ، تجزیه و تحلیل می کنیم. این اعتبار سنجی اعتبار را تضمین می کند.
فراتر از GitHub ، ما داده های Discord ، Slack ، Reddit و Hacker News را جمع آوری می کنیم. با تجزیه و تحلیل نظرات و ذکرهای کاربر ، ما چالش هایی را که کاربران در مورد آنها بحث می کنند و درک آنها از محصول را درک می کنیم. این سیستم عامل ها منابع غنی از داده های اضافی ، به ویژه در جامعه توسعه دهنده هستند.
هوش مصنوعی در اطمینان از صحت و ارتباط داده های DualSpace.ai چه نقشی دارد؟
هوش مصنوعی در درجه اول ارتباط داده ها را تضمین می کند. با جستجوی منابع مرتبط با نام شرکت ، مخازن GitHub ، سیستم عامل های جامعه و سایر دارایی ها را شناسایی می کنیم. عوامل هوش مصنوعی این اطلاعات را تأیید می کنند تا از عدم تطابق با شرکت های مشابه نامگذاری شده جلوگیری کنند ، بنابراین از خروجی های قابل اعتماد اطمینان می دهند.
علاوه بر این ، تجزیه و تحلیل هوش مصنوعی ما داده های استخراج شده برای شناسایی فن آوری های مورد استفاده در استارتاپ ها و ارزیابی اینکه آیا این فناوری ها نوآورانه و مدرن هستند یا خیر.
آیا می توانید در مورد الگوریتم هایی که برای پلتفرم خود ایجاد کرده اید و چگونه آنها دقت تجزیه و تحلیل دقیق را افزایش می دهند ، توضیح دهید؟
ما برای ارزیابی شرکت ها از الگوریتم های متنوعی استفاده می کنیم. به عنوان مثال ، ما از الگوریتم تقویت شیب برای عادی سازی مجموعه داده های گسترده و ارزیابی محبوبیت یک شرکت نسبت به همسالان خود در همان صنعت استفاده می کنیم. این کمک می کند تا مشخص شود کدام بازیکنان بر یک طاقچه خاص بر روی بازار حاکم هستند.
الگوریتم هایی که به آنها اعتماد می کنیم زیر مجموعه ای از تکنیک های یادگیری ماشین است. به طور معمول ، سرمایه گذاران فقط نام شرکت را به ما ارائه می دهند و چیز دیگری نیست. برای جمع آوری خودکار بینش – از شناسایی بنیانگذار شرکت و ارزیابی شایستگی های آنها برای ارزیابی پیچیدگی فن آوری تجارت – ما از یادگیری ماشین استفاده می کنیم. هرچه روند تحقیق بهتر باشد ، نتیجه گیری دقیق تر می شود.
علاوه بر این ، ما نظارت فعال را پیاده سازی می کنیم. ما یک داشبورد داریم که هر مرحله از اقدامات الگوریتم را نشان می دهد ، به خطوط کد فردی. این امر ما را قادر می سازد تا پیگیری کنیم که آیا ، به عنوان مثال ، بحث های Reddit از اشکالات موجود در محصول یاد می کند و احساسات آن مکالمات را تجزیه و تحلیل می کنیم. ما همچنین از نمره اعتماد به نفس استفاده می کنیم ، که به هوش مصنوعی اجازه می دهد تا اطمینان خود را در داده های ارائه شده ارزیابی کند. وقتی اعتماد به نفس کم است ، ما به صورت دستی یافته ها را تأیید می کنیم. با مرور داشبورد و تغییر کد برای پرداختن به سناریوهای خاص ، ما به طور مداوم بهبود می یابیم و هوش مصنوعی را آموزش می دهیم.
از چه روش ها و الگوریتم هایی برای پاکسازی و طبقه بندی داده ها استفاده کرده اید ، و چگونه آنها برای پردازش اطلاعات مربوط به صدها نوپا سازگار شدند؟
هر قطعه از داده هایی که ما جمع آوری می کنیم قبل از ادغام در سیستم ، اعتبار و آزمایش دقیق را انجام می دهد. به عنوان مثال ، ما تمام خروجی های تحقیقاتی تولید شده توسط AI را بررسی می کنیم تا تأیید کنیم که پیوندها در دسترس هستند و محتوای توصیف شده آنها را مطابقت می دهند. این فرآیند اعتبار سنجی گسترده است ، زیرا هر مجموعه داده چندین بار آزمایش می شود و متعاقباً طبقه بندی می شود. به عنوان مثال ، بر اساس توضیحات یک شرکت ، دسته مناسب را برای قرار دادن آن تعیین می کنیم و امکان مقایسه معنی دار با سایر شرکت ها در همان بخش را فراهم می کنیم.
ما برای ارزیابی شرکت ها از طیف وسیعی از روشهای آماری استفاده می کنیم. برای پاکسازی و اعتبار سنجی داده ها ، ما به مربی کتابخانه ، که به تأیید اعتبار تمام پاسخهای ارائه شده توسط هوش مصنوعی کمک می کند. علاوه بر این ، ما استفاده می کنیم وابسته به دلهره، یک کتابخانه پایتون که انواع داده ها را تأیید می کند ، از پاکسازی و طبقه بندی دقیق اطمینان می دهد.
سیستم طبقه بندی برای بخش های صنعت به صورت دستی برای اطمینان از مقایسه دقیق ایجاد شده است. پس از طبقه بندی ، شرکت ها شرکت ها را در مقیاس از A تا F قرار می دهد ، جایی که A بالاترین امتیاز را نشان می دهد و پایین ترین سطح را نشان می دهد. این درجه بندی در تمام بخش های اطلاع رسانی کلیدی اعمال می شود و سپس یک نمره کل بر اساس یافته های تجمعی اختصاص می یابد.
کدام فناوری های نوظهور را به عنوان یک توسعه دهنده و بنیانگذار امیدوار می کنید؟
من معتقدم که عوامل هوش مصنوعی قادر به تصمیم گیری در مورد سرمایه گذاری متفکرانه هستند که نشان دهنده پیشرفت بعدی هستند. در حالی که ما هنوز در آنجا نیستیم ، پیشرفت در هوش مصنوعی نشان می دهد که فقط زمان لازم است تا این فناوری ها از ارزیابی فنی پیشی بگیرند و به طور مستقیم بر تصمیمات سرمایه گذاری تأثیر بگذارند.
سرانجام ، چگونه آینده Dualspace.ai را پیش بینی می کنید؟
هدف اصلی ما ترکیب منابع داده و معیارهای بیشتر است. به عنوان مثال ، LinkedIn می تواند بینش ارزشمندی در مورد تخصص بنیانگذاران و نحوه هماهنگی آن با پروژه های خود ارائه دهد. ما همچنین هدف ما بهبود صحت الگوریتم های خود هستیم. کار با داده های بدون ساختار اغلب چالش هایی مانند طبقه بندی نادرست یا عدم وجود اطلاعات قابل اثبات را ایجاد می کند. ما می خواهیم این مسائل را به حداقل برسانیم.
جهت دیگر ارزیابی فعالیت اجتماعی سرمایه گذاران و استارتاپ ها بر روی سیستم عامل هایی مانند X (قبلاً توییتر) است. این امر به کاربران امکان می دهد علایق و همکاری های سرمایه گذاران را ردیابی کنند و دید روشنی از روند بازار ارائه دهند.
dualspace.ai برای تعریف مجدد نحوه ارزیابی استارتاپ ها ، ترکیب اتوماسیون و بینش های داده محور برای توانمندسازی صندوق های سرمایه گذاری با ابزارهای تصمیم گیری دقیق تر قرار گرفته است.