当谈论到AI投资回报率时,我们到底在谈些什么?

2022-06-21 15:44:51   编辑:葛剑
导读人工智能是商业的一部分吗?还是一个公用事业?如果你是数字原生,人工智能可能是商业运作燃料的一部分。但是在一个传统业务或者转型的大组织...

人工智能是商业的一部分吗?还是一个公用事业?如果你是数字原生,人工智能可能是商业运作燃料的一部分。但是在一个传统业务或者转型的大组织中,如何衡量投资回报是他们必须解决的基本问题。

与以往相比,现在的企业对人工智能和机器学习的潜力充满了信心和投资。

根据2022年IBM全球AI采用指数(IBM Global AI Adoption Index 2022),35%的公司报告称目前正在业务中使用AI,另有42%的公司表示正在探索AI。

与此同时,麦肯锡的一项调查(2021年人工智能状况)发现,56%的受访者表示,他们在2021年至少在一项功能中采用了人工智能,高于2020年的50%。

但对人工智能的投资能否带来直接影响公司底线的真实投资回报?

根据企业MLOps解决方案提供商Domino Data Lab最近的REVElate调查,该调查调查了5月份在纽约举行的Rev 3会议的参与者,许多受访者似乎都这样认为。事实上,近一半的人预计数据科学将带来两位数的增长。五分之四的受访者(79%)表示,数据科学、机器学习和人工智能对其公司未来的整体增长至关重要,36%的受访者称其为最关键的因素。

当然,实现人工智能并不容易。其他调查数据显示了硬币的另一面。例如,人工智能工程公司CognitiveScale最近的调查数据发现,尽管高管知道数据质量和部署是成功开发应用程序以推动数字化转型的关键因素,但超过76%的高管不确定如何在12-18个月内实现目标。此外,32%的高管表示,引入人工智能系统的时间比预期的要长。

根据CognitiveScale最近的调查数据,76%的受访者表示他们在扩展人工智能工作时遇到了困难。

根据CognitiveScale最近的调查数据,32%的高管表示,引入人工智能系统所需的时间比预期的长。只有19%的人说花费的时间比预期的少。

值得注意的是,75%的人工智能高管表示,信任和透明对于整体人工智能应用程序开发非常重要,因为他们处于一个受监管的行业,63%的人表示,可重复性是人工智能开发过程中的一个关键因素。

“人工智能的潜力巨大。虽然人工智能的采用开始加速,但理解人工智能的实现仍然是组织正在理解的事情。CognitiveScale首席执行官Bob Picciano表示:“我们的AI工程调查显示,数据质量是影响组织成功采用AI的最大因素。关键任务信息、可重复的需求以及信任和治理对于人工智能的成功也至关重要。」

根据最近发布的一份报告,Forrester的NowTech: AI/ML平台,2022年第一季度报告(NowTech: AI/ML platforms,Q1 2022年报告)“AI的商业案例是清晰的,但企业在实施和证明结果方面遇到了困难。人工智能要想产生变革性的影响,需要产业化。这意味着搁置一次性解决方案,建立成熟的人工智能工程实践——标准化的构建模块、工具和流程,从而更容易、更快地以可扩展的方式推动价值。」

01人工智能必须负责

Bob Picciano告诉VentureBeat,人工智能的ROI是可能的,但必须根据商业目标准确描述和人格化。

“如果商业目标是通过历史数据获得更长期的预测和更高的预测准确性,那么,这就是人工智能可以发挥作用的地方,”他说。“但AI必须负责提高业务效率——光说ML模型准确率98%是不够的。」

相反,ROI可以是,例如,为了提高呼叫中心的效率,人工智能驱动的能力可以保证降低平均呼叫处理时间。

他解释说,“这种投资回报就是高管们所谈论的。”他们不谈论模型是否准确、稳健或漂移。」

76%的受访者表示,他们在扩展人工智能工作时遇到了困难。认知量表的联合创始人兼首席运营官Shay Sabhikhi对此并不感到意外。“这正是我们从企业客户那里听到的,”他说。其中一个问题在于数据科学团队和组织其他部门之间的摩擦,他们不知道如何处理他们开发的模型。

“这些模型可能有最好的算法和精确召回,但它们被搁置了,因为它们实际上被扔给了开发团队,然后他们不得不匆忙尝试组装这些应用程序。”他说。

然而,在这一点上,企业必须对其在人工智能上的投资负责,因为人工智能不再是一系列的科学实验,皮恰诺指出。“我们称之为从实验室走向现实,”他说。“我参加了一次首席数据分析师会议,他们都说,我该如何扩展?我如何将人工智能产业化?」

02投资回报率是衡量人工智能的正确指标吗?

然而,并不是所有人都同意ROI甚至是衡量AI是否在一个组织中驱动价值的最佳方式。

安永全球首席技术官Nicola Morini Bianzino认为,从“用例”的角度来考虑AI和企业,然后用ROI来衡量是错误的。

“对我来说,人工智能是一套几乎可以部署在企业任何地方的技术——用例无法与相关的ROI分析区分开来,”他说。

相反,他解释说,企业需要在任何地方使用人工智能。“就像云一样。两三年前,我和客户聊了很多,他们喜欢问投资回报率是多少?我迁移到云的业务案例是什么?现在,疫情之后,顾客不再问这个问题了。所有人都说,“我必须这么做。』」

此外,卞齐诺指出,讨论人工智能和ROI取决于你所说的“使用AI”是什么意思。

“假设你正在尝试应用一些自动驾驶功能——也就是说,计算机视觉是人工智能的一个分支,”他说。“这是一个商业案例吗?不会,因为没有人工智能就无法实现自动驾驶。」

安永这样的公司也是如此,吸收了大量的数据,给客户提供建议——没有人工智能是做不到的。“你不能把这个东西从过程中分离出来——它是内在的,”他说。

此外,根据定义,人工智能在第一天没有生产力或效率。获取数据、训练模型、改进模型、扩展模型都需要时间。“这不像有一天你可以说,我已经完成了人工智能,它的价值100%在那里——不,这是一种持续的能力,随着时间的推移会变得更好,”他说。“就能产生的价值而言,其实是没有止境的。」

卞齐诺表示,在某种程度上,人工智能正在成为运营成本的一部分。“如果你从事的是涉及数据分析的业务,你就离不开人工智能的能力,”他解释道。“你能分离出这些模型的商业案例吗?这个很难,我觉得也没必要。对我来说,这几乎就像经营一家企业所需的基础设施成本。」

03人工智能的投资回报很难衡量。

最终,组织想要的是衡量ROI对业务的影响——它对底线有多大贡献。多米诺数据实验室数据科学战略和宣传负责人Kjell Carlsson说。但问题是,这可能与开发模型的工作量完全脱节。

“所以,如果你创造了一个能让点击转化率提高一个百分点的模型,就相当于给企业增加了几百万美元的利润。”但它也可以创建一个良好的预测性维护模型,”他说。在这种情况下,对组织经济效益的影响可能完全不同。”尽管其中的一个可能最终会成为更棘手的问题,”他补充道。

一般来说,组织确实需要一个“平衡记分卡”来跟踪人工智能的生产。“因为如果你不把任何东西投入生产,这可能表明你有问题,”他说。“另一方面,如果你在生产上投入过多,也可能会出现问题。」

例如,数据科学团队部署的模型越多,他们需要管理和维护的模型就越多。“你去年部署了这么多型号,所以你实际上再也买不起其他高价值的型号了,”他解释道。

衡量AI投资回报的另一个问题是,对于许多数据科学项目来说,结果并不是投产的模型。“如果你想对去年的交易进行定量的盈亏分析,你可能需要进行严格的统计调查,”他说。“但是没有一个模型可以投入生产,同时可以用人工智能来洞察这个过程。」

04必须跟踪数据科学活动。

然而,如果不跟踪数据科学活动,组织就无法衡量人工智能的作用。“现在的一个问题是,很少有真正收集和分析的数据科学活动,”Kjell Carlsson说。“如果你问别人,他们会说他们真的不知道模型表现如何,或者他们有多少项目,或者你们的数据科学家上周完成了多少代码提交。」

一个原因是数据科学家需要使用非常不连贯的工具。“这是Git作为存储库越来越受欢迎的原因之一。对于组织中的数据科学家来说,这是唯一的事实来源,”他解释道。Domino Data Lab等MLops工具提供了一个平台来支持这些不同的工具。“组织能够在多大程度上创建这些更集中的平台……很重要,”他说。

05人工智能成绩是首要考虑因素。

Wallaroo首席执行官兼创始人Vid Jain在美林从事高频交易业务已近十年。他说,他的职责是大规模部署机器学习,并以正投资回报进行部署。

实际上,挑战不是发展数据科学,清理数据或建立一个贸易储存库,这现在被称为数据湖。他说,到目前为止,最大的挑战是采用这些模式,并将其付诸实践,提供商业价值。

“事实证明,实现投资回报是非常困难的——90%的人工智能计划都没有产生投资回报,或者它们没有产生足够的投资回报来使投资变得值得,”他说。“但这对每个人来说都是头等大事。答案是不一样的。」

他解释说,一个基本问题是,许多人认为实现机器学习与实现标准类型的应用程序没有太大区别,但他补充说,实际上有很大的区别,因为人工智能不是静态的。

“这几乎就像打理一个农场,因为数据是活的,是变化的,所以还远没有结束,”他说。“这并不是说当你设置了一个推荐算法,人们的购买行为就会停滞在这一点上。人们的购物行为会改变,你的竞争会突然促进销售,人们会转向你的竞争,而不是一直从你这里购买。你必须时刻关注你的算法模型。」

最终,每个组织都需要决定如何围绕人工智能的实施,使他们的文化与最终目标保持一致。“然后你真的必须授权人们推动这种转型,并让对你现有业务线至关重要的人感到他们将从人工智能中获得一些价值,”他说。

他补充说,大多数公司仍处于这一过程的早期阶段。“我认为大多数公司还没有这样做,但在过去的六到九个月里,我确实看到人们开始认真对待业务成果和业务价值。」

人工智能的投资回报仍然难以捉摸。

但对于很多企业来说,如何衡量人工智能的投资回报仍然难以捉摸。“对于一些企业来说,存在一些基本问题,例如他们甚至不能将他们的模型投入生产,或者他们可以盲目测试,或者他们成功了,但现在他们想扩大规模,”贾恩说。“但就投资回报而言,机器学习通常远远谈不上盈亏。」

他解释说,这是因为AI计划通常是卓越中心的一部分,而ROI是业务部门负责的,而在其他情况下,很难衡量。

“问题是,人工智能是商业的一部分吗?还是一个公用事业?如果你是一个数字化的本地人,人工智能可能是商业运作的燃料的一部分,”他说。“但在一个拥有传统业务或处于转型期的大型组织中,如何衡量投资回报是他们必须解决的基本问题。」

免责声明:本文由用户上传,如有侵权请联系删除!

猜你喜欢

最新文章