人工智慧與ROI的真相：人工智慧真的能實現嗎？

現在，企業組織比以往任何時候都更加信任和投資人工智慧(AI) 和機器學習 (ML) 的潛力。

根據2022 年 IBM 全球人工智慧採用指數，35% 的企業報告目前在其業務中使用人工智慧，另有 42% 的公司表示他們正在探索人工智慧。同時，麥肯錫的一項調查發現，56% 的受訪者表示，他們在 2021 年至少在一項職能中採用了人工智慧，高於 2020 年的 50%。

但是，對人工智慧的投資能帶來直接影響企業底線的真實ROI嗎?

根據Domino Data Lab 最近的REVElate 調查，該調查對5 月份紐約市Rev3 會議的與會者進行了調查，許多受訪者似乎都這麼認為。事實上，近一半的人預計數據科學會帶來兩位數的成長。近五分之四的受訪者 (79%) 表示，資料科學、機器學習和人工智慧對其公司未來的整體成長至關重要，36% 的受訪者稱其為最關鍵的因素。

當然，實施人工智慧並非易事。其他調查數據顯示了堅定信心的另一面。例如，人工智慧工程公司CognitiveScale最近的調查數據發現，儘管高階主管們知道，數據品質和部署是推動數位轉型的成功應用開發的關鍵成功因素，但超過76%的高階主管不確定如何在12-18個月的時間內達成目標。此外，32%的高階主管表示，人工智慧系統投入生產所花的時間比預期要長。

人工智慧必須負責

Cognitive Scale的執行長鮑勃·皮恰諾告訴媒體，人工智慧帶來的ROI是可能的，但必須根據業務目標對其進行準確描述和個性化。

他說：「如果業務目標是利用歷史資料進行更長期的預測，並提高預測精度，那麼人工智慧就可以發揮作用。」「但人工智慧必須負責任地推動業務效率— ML模型的準確率達98%是不夠的。」

相反，投資回報率可能是，例如，為了提高呼叫中心的效率，人工智慧驅動的功能可確保減少平均呼叫處理時間。

「這種投資報酬率是他們在最高管理層談論的內容，」他解釋道。 「他們不會談論模型是否準確、穩健或漂移。」

Cognitive Scale 的聯合創始人兼首席營運長Shay Sabhikhi 補充說，76%的受訪者表示難以擴大他們在人工智慧方面的投入，他對此並不感到驚訝。 「這正是我們從企業客戶那裡聽到的，」他說。他解釋說，其中一個問題是數據科學團隊和其他不知道如何處理他們開發的模型的組織之間的摩擦。

他說:「這些模型可能有最好的演算法和精確召回率，但卻被束之高閣，因為它們實際上被扔給了開發團隊，然後他們不得不匆忙地把應用程式組裝起來。 」

然而，在這一點上，組織必須對他們在人工智慧方面的投資負責，因為人工智慧不再是一系列科學實驗，Picciano 指出。 「我們稱之為從實驗室走向生活，」他說。 「我參加了一個首席數據分析官會議， 他們都在問，我該如何擴大規模?如何實現人工智能產業化?」

投資回報率是人工智慧的正確指標嗎?

然而，並不是所有人都同意ROI是衡量AI是否在組織中驅動價值的最佳方法。安永(EY)全球技術長尼古拉•莫里尼•比安齊諾(Nicola Morini Bianzino)表示，用「用例」來衡量人工智慧和企業，然後透過ROI來衡量，這是對待人工智慧的錯誤方式。

「對我來說，人工智慧是一套技術，幾乎可以在企業的任何地方部署——不會將用例與相關的 ROI 分析隔離開來，」他說。

相反，他解釋說，組織機構只需要在任何地方使用人工智慧。 「這幾乎就像雲端運算一樣，兩三年前，我與客戶進行了很多對話，他們問，『ROI是什麼?我遷移到雲端運算的商業案例是什麼?現在，大流行之後，這種對話不再發生了。每個人都說，'我必須這麼做。』」

此外，Bianzino指出，討論AI和ROI取決於你所說的「使用AI」。

他說：「假設你試著應用一些自動駕駛能力－也就是說，電腦視覺是人工智慧的一個分支。」「這是一個商業案例嗎?不，因為沒有人工智慧就無法實現自動駕駛。」像安永(EY)這樣的公司也是如此，它吸收大量數據並向客戶提供建議——這離不開人工智慧。他說:「這是你無法從過程中分離出來的東西——它是內在的。」

此外，根據定義，人工智慧在第一天就沒有生產力或效率。取得資料、訓練模型、發展模型和擴大模型都需要時間。他說:「並不是有一天你可以說，我完成了人工智慧，100%的價值就在那裡——不，這是一種持續的能力，隨著時間的推移會變得更好。」「就能夠產生的價值而言，並沒有真正的終點。」

Bianzino說，在某種程度上，人工智慧正在成為商業成本的一部分。 「如果你從事的是一個涉及數據分析的行業，你不可能不具備人工智慧能力，」他解釋。 「你能把這些模型的商業案例分開嗎?這很難，我認為沒有必要。對我來說，這幾乎是運營企業的基礎設施成本。」

#人工智慧的投資回報率難以衡量##

#企業MLops 供應商Domino Data Lab 的數據科學策略和宣傳負責人Kjell Carlsson 說，歸根結底，企業想要的是衡量ROI的商業影響——它的貢獻有多大。但有一個問題是，這可能與開發模型所做的工作完全脫節。

他說:「因此，如果你創造一個模式，將點擊率提高一個百分點，你就等於為企業增加了數百萬美元的利潤。」「但你也可以創造一個好的預測性維修模型，幫助在需要維修的機器發生之前提前發出警告。」在這種情況下，金錢價值對組織的影響可能完全不同，「即使其中一個可能最終成為一個更困難的問題，」他補充說。

總的來說，組織確實需要一個「平衡計分卡」來追蹤AI的生產。他說: “因為如果你沒有將任何東西投入生產，那麼這可能表明你遇到了問題，”他說。 「另一方面，如果你在生產中投入過多，這也可能表明存在問題。」

例如，數據科學團隊部署的模型越多，他們需要管理和維護的模型就越多。 「所以你在去年部署了這麼多模型，所以你實際上無法承擔這些其他高價值的模型，」他解釋道。

但衡量 AI 投資報酬率的另一個問題是，對於許多資料科學專案來說，結果並不是一個投入生產的模型。 「如果你想對去年的交易進行定量的盈虧分析，你可能需要對此進行嚴格的統計調查，」他說。 「但沒有一個模型可以投入生產，你正在利用人工智慧來獲得你在這個過程中獲得的見解。」

#必須追蹤數據科學活動

儘管如此，如果不追蹤數據科學活動，組織就無法衡量人工智慧的作用。 「目前的一個問題是，真正收集和分析的數據科學活動很少，」Carlsson說。 「如果你問人們，他們會說他們真的不知道模型的性能如何，或者他們有多少項目，或者你的數據科學家在上週完成了多少CodeCommits。」

其中一個原因是數據科學家需要使用非常不相關的工具。 「這就是為什麼Git作為儲存庫越來越受歡迎的原因之一，它是組織中資料科學家的唯一真實來源，」他解釋說。像Domino Data Lab這樣的MLops工具提供了支援這些不同工具的平台。他說：「各組織能夠在多大程度上創建這些更加集中化的平台…這很重要。

人工智慧的結果是人們最關心的

Wallaroo執行長兼創辦人Vid Jain曾在美林從事近十年的高頻交易業務，他表示，在美林，他的職責是大規模部署機器學習，並以積極的ROI實現這一目標。

############################################################# #真正的挑戰並不是發展資料科學、清理資料或建立交易儲存庫(現在稱為資料湖)。他說，到目前為止，最大的挑戰是採用這些模型，將它們運作起來，並交付業務價值。 ######他說:「實現投資回報率是非常困難的——90%的人工智慧專案都沒有產生投資回報率，或者它們產生的投資回報率不足以讓投資物有所值。 」「但這是每個人的首要想法。答案不是一回事。 」######他解釋說，一個根本問題是，許多人認為，對機器學習進行操作與對一種標準應用進行操作沒有太大區別。他補充說，這兩者有很大區別，因為人工智慧不是靜態的。######他說：「這幾乎就像照顧一個農場，因為數據是活的，數據會變化，而你還沒有完成。 」「這不像你建立了一個推薦演算法，然後人們的購買行為就會被及時凍結。人們改變了他們的購買方式。突然間，你的競爭對手進行了促銷活動。消費者停止向你購買東西。他們轉向了競爭對手。你必須經常去維護它。 」######最終，每個組織都需要決定如何將自己的文化與實現AI的最終目標結合。他說:「然後你真的必須授權給人們來推動這種轉變，然後讓那些對你現有業務線至關重要的人感到他們將從人工智慧中獲得一些價值。 ”###

他補充說，大多數公司還處於起步階段。 「我認為大多數公司還沒有做到這一點，但在過去6到9個月裡，我肯定看到了一種轉變，人們開始認真對待業務結果和業務價值。」

人工智慧的ROI仍然難以捉摸

但是，對於許多組織來說，如何衡量人工智慧的ROI仍然是一個難以捉摸的問題。 「對一些公司來說，有一些基本的問題，例如他們甚至無法將他們的模型投入生產，或者他們可以，但他們是盲目的，或者他們成功了，但現在他們想要擴大規模，」 Jain 說。 「但就投資報酬率而言，機器學習往往沒有相關的損益。」

他解釋說，AI計劃通常是卓越中心的一部分，ROI由業務部門掌握，而在其他情況下，它很難衡量。

「問題是，人工智慧是業務的一部分嗎?還是一種效用?如果你是數位原生代，人工智慧可能是業務運作燃料的一部分，」他說。 「但在一個擁有傳統業務或正在轉型的大型組織中，如何衡量投資回報率是他們必須解決的基本問題。」

以上是人工智慧與ROI的真相：人工智慧真的能實現嗎？的詳細內容。更多資訊請關注PHP中文網其他相關文章！