Rumah > Artikel > Peranti teknologi > Kebenaran tentang kecerdasan buatan dan ROI: Bolehkah kecerdasan buatan benar-benar dicapai?
Kini lebih daripada sebelumnya, organisasi mempercayai dan melabur dalam potensi kecerdasan buatan (AI) dan pembelajaran mesin (ML).
Menurut Indeks Penerapan Kecerdasan Buatan Global IBM 2022, 35% perusahaan melaporkan pada masa ini menggunakan kecerdasan buatan dalam operasi mereka, dan 42% lagi mengatakan mereka sedang meneroka kecerdasan buatan. Sementara itu, tinjauan McKinsey mendapati bahawa 56% responden berkata mereka menggunakan AI dalam sekurang-kurangnya satu fungsi pada 2021, meningkat daripada 50% pada 2020.
Tetapi, bolehkah pelaburan dalam AI memberikan ROI sebenar yang secara langsung memberi kesan kepada keuntungan syarikat
Menurut tinjauan REVElate Domino Data Lab baru-baru ini, yang meninjau peserta pada persidangan Rev3 di New York City pada tahun May. Malah, hampir separuh menjangkakan pertumbuhan dua angka daripada sains data. Hampir empat perlima responden (79%) berkata sains data, pembelajaran mesin dan kecerdasan buatan akan menjadi kritikal kepada pertumbuhan keseluruhan masa depan syarikat mereka, dengan 36% menyebutnya sebagai faktor paling kritikal.
Sudah tentu, melaksanakan kecerdasan buatan bukanlah mudah. Data tinjauan lain menunjukkan sisi lain keyakinan yang kuat. Sebagai contoh, data tinjauan baru-baru ini daripada firma kejuruteraan kecerdasan buatan CognitiveScale mendapati bahawa walaupun eksekutif mengetahui bahawa kualiti data dan penggunaan adalah faktor kejayaan utama dalam pembangunan aplikasi yang berjaya yang memacu transformasi digital, lebih daripada 76% eksekutif tidak pasti bagaimana untuk melaksanakan pembangunan aplikasi yang berjaya dalam 12-18 Capai matlamat dalam masa beberapa bulan. Selain itu, 32% daripada eksekutif berkata ia mengambil masa lebih lama daripada yang dijangkakan untuk membawa sistem AI ke dalam pengeluaran.
Bob Picciano, Ketua Pegawai Eksekutif Skala Kognitif, memberitahu media bahawa ROI daripada AI adalah mungkin, tetapi ia mesti diukur dengan tepat berdasarkan matlamat perniagaan Penerangan dan pemperibadian.
"Jika matlamat perniagaan adalah untuk menggunakan data sejarah untuk membuat ramalan jangka panjang dan meningkatkan ketepatan ramalan, maka AI mempunyai peranan untuk dimainkan," katanya "Tetapi AI mesti memacu kecekapan perniagaan secara bertanggungjawab - Tidak cukup untuk model ML 98% tepat ”
Sebaliknya, ROI boleh, sebagai contoh, ciri dipacu AI yang memastikan pengurangan purata masa pengendalian panggilan untuk meningkatkan kecekapan pusat panggilan.
"ROI ini adalah perkara yang mereka bincangkan dalam C-suite," jelasnya. “Mereka tidak bercakap tentang sama ada model itu tepat, teguh atau hanyut.”
Shay Sabhikhi, pengasas bersama dan COO Skala Kognitif, menambah bahawa 76% responden berkata sukar untuk meningkatkan usaha mereka. dalam kecerdasan buatan, dia tidak terkejut. "Itulah yang kami dengar daripada pelanggan perusahaan kami," katanya. Salah satu masalah, jelasnya, ialah pergeseran antara pasukan sains data dan organisasi lain yang tidak tahu apa yang perlu dilakukan dengan model yang mereka bangunkan.
Beliau berkata: “Model ini mungkin mempunyai algoritma terbaik dan penarikan semula ketepatan, tetapi ia tidak dapat digunakan kerana ia pada dasarnya dilemparkan kepada pasukan pembangunan, yang kemudiannya perlu tergesa-gesa menyusun aplikasi itu ”
Pada ketika ini, bagaimanapun, organisasi mesti bertanggungjawab ke atas pelaburan mereka dalam AI kerana AI bukan lagi satu siri eksperimen saintifik, kata Picciano. "Kami memanggilnya dari makmal ke kehidupan," katanya. “Saya berada di mesyuarat ketua pegawai analitik data, dan mereka semua bertanya, bagaimanakah cara saya menskalakan AI?”
Namun begitu? , tidak semua orang bersetuju bahawa ROI ialah cara terbaik untuk mengukur sama ada AI memacu nilai dalam sesebuah organisasi. Nicola Morini Bianzino, ketua pegawai teknologi global di EY, berkata mengukur AI dan perniagaan dengan "kes penggunaan" dan kemudian mengukurnya dengan ROI ialah cara untuk merawat AI.
"Bagi saya, AI ialah satu set teknologi yang boleh digunakan hampir di mana-mana dalam perusahaan—tanpa mengasingkan kes penggunaan daripada analisis ROI yang berkaitan," katanya.
Sebaliknya, beliau menjelaskan, organisasi hanya perlu menggunakan AI di mana-mana sahaja. “Ia hampir seperti pengkomputeran awan, dua atau tiga tahun lalu, saya mempunyai banyak perbualan dengan pelanggan di mana mereka bertanya, 'Apakah kes perniagaan saya untuk berpindah ke awan? perbualan Ia tidak berlaku lagi Semua orang berkata, ‘Saya perlu melakukan ini.’”
Selain itu, membincangkan AI dan ROI bergantung pada apa yang anda maksudkan dengan "menggunakan AI."
"Andaikata anda cuba menggunakan beberapa keupayaan pemanduan autonomi - iaitu, penglihatan komputer adalah cabang kecerdasan buatan," katanya "Adakah ini kes perniagaan? Tidak, kerana anda tidak boleh melakukannya tanpa kecerdasan buatan Mendayakan pemanduan sendiri “Begitu juga dengan syarikat seperti EY, yang mengambil sejumlah besar data dan memberikan cadangan kepada pelanggan – dan itu tidak dapat dipisahkan daripada AI. "Ia sesuatu yang anda tidak boleh pisahkan daripada proses itu - ia adalah intrinsik," katanya
Selain itu, mengikut definisi, AI tidak produktif atau cekap pada hari pertama. Mendapatkan data, melatih model, mengembangkan model dan menskalakan model semuanya memerlukan masa. "Bukannya suatu hari nanti anda boleh katakan, saya sudah selesai dengan kecerdasan buatan dan 100 peratus daripada nilai itu ada - tidak, ia adalah keupayaan berterusan yang akan menjadi lebih baik dari semasa ke semasa," katanya daripada nilai yang boleh dijana.”
Sedikit sebanyak, AI menjadi sebahagian daripada kos perniagaan, kata Bianzino. "Jika anda berada dalam industri yang melibatkan analisis data, anda tidak boleh tidak mempunyai keupayaan AI," jelasnya. "Bolehkah anda mengasingkan kes perniagaan untuk model ini? Ia sukar dan saya rasa ia tidak perlu. Bagi saya, ia hampir kos infrastruktur untuk menjalankan perniagaan." >
Akhirnya, perkara yang perusahaan mahukan ialah mengukur impak perniagaan ROI — berapa banyak yang disumbangkannya, kata Kjell Carlsson, ketua strategi dan advokasi sains data di Domino Data Lab, penyedia MLops perusahaan. Tetapi satu masalah ialah ini boleh diputuskan sepenuhnya daripada kerja yang digunakan untuk membangunkan model. “Jadi, jika anda mencipta corak yang meningkatkan kadar klikan anda sebanyak satu mata peratusan, anda menambah berjuta-juta dolar dalam keuntungan kepada perniagaan,” katanya “Tetapi anda juga boleh mencipta kebaikan ramalan Model pembaikan seks yang membantu memberikan amaran awal tentang mesin yang memerlukan pembaikan sebelum ia berlaku "Dalam kes ini, nilai kewangan boleh memberi kesan yang sama sekali berbeza kepada organisasi," walaupun salah satu daripadanya mungkin menjadi lebih sukar. masalah,” tambahnya. Secara umumnya, organisasi memerlukan "kad skor seimbang" untuk menjejaki pengeluaran AI. "Kerana jika anda tidak meletakkan apa-apa dalam pengeluaran, itu mungkin tanda bahawa anda mempunyai masalah," katanya. “Sebaliknya, jika anda meletakkan terlalu banyak dalam pengeluaran, itu juga boleh menunjukkan masalah.” Contohnya, lebih banyak model yang digunakan oleh pasukan sains data, lebih banyak model yang mereka perlukan untuk mengurus dan menyelenggara. "Jadi anda menggunakan begitu banyak model tahun lepas sehingga anda sebenarnya tidak mampu membeli model lain yang bernilai tinggi ini," jelasnya. Tetapi masalah lain dengan mengukur AI ROI ialah untuk kebanyakan projek sains data, hasilnya bukanlah model yang digunakan untuk pengeluaran. "Jika anda ingin melakukan analisis untung-rugi kuantitatif dagangan tahun lepas, anda mungkin perlu melakukan penyiasatan statistik yang ketat mengenainya," katanya. “Tetapi tanpa model masuk ke dalam pengeluaran, anda memanfaatkan AI untuk mendapatkan cerapan yang anda peroleh sepanjang perjalanan.” Aktiviti sains data mesti dijejaki Namun, jika anda tidak melakukannya. mengesan aktiviti sains data, organisasi tidak dapat mengukur kesan AI. "Salah satu masalah sekarang ialah terdapat sedikit aktiviti sains data yang sebenarnya mengumpul dan menganalisisnya," kata Carlsson. "Jika anda bertanya kepada orang ramai, mereka akan mengatakan bahawa mereka benar-benar tidak tahu prestasi model mereka, atau berapa banyak projek yang mereka ada, atau berapa banyak CodeCommits yang disiapkan oleh saintis data anda minggu lalu." Salah satu daripadanya sebabnya ialah data Saintis perlu menggunakan alat yang sangat tidak relevan. "Ini adalah salah satu sebab mengapa Git semakin popular sebagai repositori, sumber tunggal kebenaran untuk saintis data dalam organisasi," jelasnya. Alat MLops seperti Domino Data Lab menyediakan platform untuk menyokong alatan berbeza ini. Beliau berkata: "Sejauh mana organisasi boleh mencipta platform yang lebih terpusat ini... adalah penting. Akibat kecerdasan buatan adalah perkara yang paling diminati orang Ketua Pegawai Eksekutif dan Pengasas Wallaroo Vid Jain , yang telah terlibat dalam perdagangan frekuensi tinggi di Merrill Lynch selama hampir sedekad, berkata bahawa di Merrill Lynch, peranannya adalah untuk menggunakan pembelajaran mesin secara berskala dan melakukannya dengan ROI yang positif >Cabaran sebenar bukanlah membangunkan sains data , membersihkan data, atau membina repositori transaksi (kini dipanggil tasik data. Cabaran terbesar setakat ini ialah mengambil model ini, menjadikannya beroperasi, dan menyampaikan nilai perniagaan, katanya: "Mencapai ROI ialah sangat sukar – 90% projek AI tidak menjana ROI, atau mereka menjana ROI yang tidak mencukupi untuk menjadikan pelaburan itu berbaloi. "Tetapi itu di barisan hadapan fikiran semua orang. Jawapannya bukan perkara yang sama. "Masalah asas, jelasnya, ialah ramai orang percaya bahawa operasi pada pembelajaran mesin tidak begitu berbeza daripada operasi pada aplikasi standard. Terdapat perbezaan besar, tambahnya, Kerana AI tidak statik Dia berkata: “Ia hampir seperti menjaga ladang kerana data masih hidup dan data berubah dan anda belum selesai. "Ia bukan seperti anda membina algoritma pengesyoran dan kemudian tingkah laku pembelian orang menjadi beku dalam masa. Orang ramai telah mengubah cara mereka membeli. Tiba-tiba, pesaing anda ada promosi. Pengguna berhenti membeli daripada anda. Mereka beralih kepada pesaing mereka. Anda perlu mengekalkannya dengan kerap. "Akhirnya, setiap organisasi perlu memutuskan cara menyelaraskan budayanya dengan matlamat utama untuk mencapai AI. "Kemudian anda benar-benar perlu memperkasakan orang ramai untuk memacu transformasi itu dan kemudian mendapatkan Orang yang kritikal kepada sedia ada anda barisan perniagaan merasakan mereka akan mendapat sedikit nilai daripada AI. ”Kebanyakan syarikat masih di peringkat awal, tambahnya. "Saya tidak fikir kebanyakan syarikat berada di sana lagi, tetapi saya pasti telah melihat perubahan dalam tempoh enam hingga sembilan bulan yang lalu di mana orang ramai mula mengambil serius keputusan perniagaan dan nilai perniagaan." Kekal Sukar
Beliau menjelaskan bahawa inisiatif AI selalunya merupakan sebahagian daripada pusat kecemerlangan, dengan ROI dimiliki oleh unit perniagaan, manakala dalam kes lain ia Sukar untuk diukur.
“Persoalannya ialah, adakah AI sebahagian daripada perniagaan Atau adakah ia adalah utiliti Jika anda seorang anak asli digital, AI mungkin menjadi sebahagian daripada bahan api yang menjalankan perniagaan itu? "Tetapi dalam organisasi besar yang mempunyai perniagaan warisan atau sedang dalam peralihan, cara mengukur ROI ialah soalan asas yang perlu mereka selesaikan."
Atas ialah kandungan terperinci Kebenaran tentang kecerdasan buatan dan ROI: Bolehkah kecerdasan buatan benar-benar dicapai?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!