polito.it
Politecnico di Torino (logo)

Settori di applicazione e drivers di investimento per startup di Artificial Intelligence: evidenze empiriche dalle principali nazioni europee = Fields of application and investment drivers for Artificial Intelligence startups: empirical evidence from European countries

Elisa Arduino

Settori di applicazione e drivers di investimento per startup di Artificial Intelligence: evidenze empiriche dalle principali nazioni europee = Fields of application and investment drivers for Artificial Intelligence startups: empirical evidence from European countries.

Rel. Emilio Paolucci, Elettra D'Amico. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Gestionale, 2020

[img]
Preview
PDF (Tesi_di_laurea) - Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (4MB) | Preview
Abstract:

La presente tesi si propone l’obiettivo di effettuare un’analisi sulle startup di Intelligenza Artificiale (AI) all’interno del panorama europeo, a partire dai dati provenienti da un campione di 4266 imprese, ottenuto dalla piattaforma Crunchbase e relativo al periodo temporale che intercorre tra gennaio 2005 e giugno 2020. In primo luogo, sono stati riportati gli aspetti che definiscono l’Intelligenza Artificiale con le sue possibili classificazioni, e un approfondimento delle sottocategorie predominanti, ossia Machine learning e Deep learning. Si sono poi richiamati alcuni cenni storici e si sono citati i modelli tecnologici attualmente disponibili sul mercato, in termini di software e hardware. Inoltre, sono stati identificati i principali limiti che frenano l’avanzata dell’AI e al contempo le sue implicazioni per il mondo del lavoro. Poiché il fenomeno AI è stato osservato attraverso l’approccio innovativo delle startup, si è fatto riferimento alle caratteristiche delle startup e degli ecosistemi in cui queste si collocano, al fine di comprendere quali fossero i fattori di successo e le limitazioni riscontrabili per il campo AI. A partire da uno sguardo globale, ci si è poi focalizzati sulle dinamiche del territorio europeo, riportando le strategie dei Paesi più attivi nel supportare lo sviluppo dell’AI, quali Regno Unito, Francia e Germania. In seguito, si è analizzata la strategia collettiva dell’Unione Europea, evidenziandone i punti di forza e di debolezza, con alcune raccomandazioni per il futuro suggerite dalla letteratura. Sulla base di tale inquadramento teorico, si sono effettuate diverse analisi sul database di riferimento, integrando i dati disponibili con ulteriori ricerche; sono state distinte tre aree di studio: startup, fondatori e investitori. In merito alle startup stesse, sono stati individuati i settori di applicazione, adottando la codifica NACE; le tecnologie AI utilizzate, la collocazione geografica delle sedi delle startup e altre informazioni aggiuntive, come eventuali exit. Per quanto riguarda i founders, si sono raccolti dati anagrafici e relativi al background di studi e lavorativo precedente alla fondazione della startup. Infine, in merito agli investitori, si sono individuati dati sulla provenienza geografica, sulla tipologia di investitore e del round di investimento, così come sull’ammontare investito. Successivamente, si è effettuato un approfondimento sui Paesi europei leader per numero di startup di AI fondate sul territorio nazionale. In questa fase, si è deciso di applicare un filtro al campione, per ottenere risultati più rappresentativi: sono state selezionate le startup Creator, ossia quelle che creano effettivamente algoritmi di AI, attive, a scopo di lucro e che abbiano ricevuto almeno un finanziamento. L’obiettivo è di evidenziare quali siano i settori di applicazione (NACE) più importanti e come siano distribuiti a livello geografico, così come quali startup attraggano più valore in termini di investimenti. Pertanto, si è cercato di comprendere se vi sia una correlazione tra l’area geografica della sede della startup ed il settore di applicazione scelto, la quantità di investimenti raccolti, la provenienza e la tipologia di investitore. In ultima analisi, si sono studiate in particolare le startup che abbiano ricevuto finanziamenti complessivi superiori a 100 M$, tra cui le cosiddette “unicorn”, per capire quali siano gli elementi chiave che ne determinano il successo.

Relatori: Emilio Paolucci, Elettra D'Amico
Anno accademico: 2020/21
Tipo di pubblicazione: Elettronica
Numero di pagine: 115
Soggetti:
Corso di laurea: Corso di laurea magistrale in Ingegneria Gestionale
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-31 - INGEGNERIA GESTIONALE
Aziende collaboratrici: NON SPECIFICATO
URI: http://webthesis.biblio.polito.it/id/eprint/16449
Modifica (riservato agli operatori) Modifica (riservato agli operatori)