如今，组织比以往任何时候都更加信任人工智能(AI)和机器学习(ML)的潜力并对其进行投资。根据2022年IBM全球人工智能采用指数，35%的企业表示目前在其业务中使用人工智能，另有42%的企业表示他们正在探索人工智能。与此同时，麦肯锡的一项调查发现，56%的受访者表示，他们在2021年至少在一项职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企业利润的真正投资回报率？根据DominoDataLab最近的REVElate调查，该调查对5月份在纽约市举行的Rev3会议的与会者进行了调查，许多受访者似乎都这么认为。事实上，近一半的人预计数据科学将实现两位数的增长。近五分之四(79%)的受访者表示，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，其中36%的受访者称它们是最关键的因素。当然，实施人工智能绝非易事。其他调查数据显示出坚定信心的另一面。例如，AI工程公司CognitiveScale最近的调查数据发现，虽然高管们知道数据质量和部署是成功应用在一个月内实现目标的关键成功因素。此外，32%的高管表示，人工智能系统投入生产所需的时间比预期的要长。AI必须负责CognitiveScale的CEOBobPicciano告诉媒体，AI的ROI是可能的，但必须根据业务目标准确描述和个性化。“如果业务目标是利用历史数据进行更长期的预测，提高预测的准确性，那么人工智能就可以发挥作用，”他说。“但AI必须负责任地提高业务效率——ML模型准确率达到98%是不够的。”相反，例如，投资回报率可能是为了提高呼叫中心效率，人工智能驱动的功能确保减少平均呼叫处理时间。“这个投资回报率就是他们在高层谈论的，”他解释道。“他们不要谈论模型是否准确、稳健或漂移。”CognitiveScale的联合创始人兼首席运营官ShaySabhikhi补充说，76%的受访者表示很难扩大对人工智能的投资，这并不奇怪。”这正是我们从企业客户那里听到的，”他说。他解释说，其中一个问题是数据科学团队与其他不知道如何处理他们开发的模型的组织之间的摩擦。“这些模型可能具有最好的算法和精确召回率，但它们被搁置了，因为它们实际上被扔给了开发团队，然后开发团队不得不争先恐后地将应用程序组合在一起，”他说。然而，Picciano指出，在这一点上，组织最终必须对他们在AI上的投资负责，因为AI不再是一系列的科学实验。“我们称之为从实验室走向生活，”他说。“我参加了一次首席数据分析官会议，他们都在问，我该如何扩展？我如何将人工智能产业化？”投资回报率是人工智能的正确指标吗？然而，并非所有人都同意投资回报率是衡量人工智能是否在组织中推动价值的最佳方式。安永全球首席技术官尼古拉·莫里尼·比安齐诺(NicolaMoriniBianzino)表示，通过“用例”然后通过投资回报率来衡量人工智能和业务是错误地对待人工智能的方式。“对我来说，人工智能是一组几乎可以部署在企业任何地方的技术——无需将用例与相关的ROI分析隔离开来，”他说。相反，他解释说，组织只需要在任何地方使用人工智能。“这几乎就像云计算，两三年前，我与客户进行了很多对话，他们问我，‘投资回报率是多少？我迁移到云端的商业案例是什么？现在，大流行后，那种谈话不再发生了。每个人都说，‘我必须这样做。’”此外，Bianzino指出，讨论AI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。“那是商业案例吗？不是，因为没有人工智能就无法实现自动驾驶。”安永像(EY)这样的公司也是如此，它吸收大量数据并向客户提出建议——如果没有人工智能，这是无法做到的。“这是你无法从过程中分离出来的东西——它是内在的，”他说。此外，根据定义，人工智能在第一天就没有生产力或效率。获取数据、训练模型、增长模型和缩放模型都需要时间。“这不像有一天你可以说，我已经完成了AI，并且100%的价值都在那里——不，这是一种持续的能力，随着时间的推移会变得更好，”他说。就可以产生的价值而言，没有真正的终点。”Bianzino说，在某种程度上，人工智能正在成为开展业务成本的一部分。“如果你所在的行业涉及数据分析，那么你不可能没有人工智能能力，”他解释道。“你能把这些模型的商业案例分开吗？这很难，我认为没有必要。对我来说，这几乎是经营一家企业的基础设施成本。”AIROI难以衡量企业MLops提供商KjellCarlsson是Domino数据实验室的数据科学战略和宣传负责人，他说归根结底，企业想要的是衡量ROI对业务的影响——它贡献了多少.但一个问题是，这可能与开发模型所做的完全脱节。“因此，如果你创建一个模型，将点击率提高一个百分点，你就会为业务增加数百万美元，”他说。“但您也可以创建一个良好的预测性维护模型，以帮助在需要维修的机器发生之前提前发出警告。”在这种情况下，对组织的物有所值影响可能会大不相同，“尽管其中一个最终可能会成为一个更困难的问题，”他补充道。总的来说，组织确实需要一个“平衡计分卡”来跟踪AI生产。“因为如果你没有将任何东西投入生产，那么这可能表明你遇到了问题，”他说。“另一方面，如果你在生产中投入太多，那也可能表明存在问题。”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。“所以你在去年部署了这么多模型，以至于你真的买不起这些其他高价值模型，”他解释道。但衡量AI投资回报率的另一个问题是，对于许多数据科学项目而言，结果并不是一个可用于生产的模型。“如果你想对去年的交易进行定量损益分析，你可能需要对此进行认真的统计调查，”他说。“但如果没有模型投入生产，你就可以使用人工智能来获得你在这个过程中获得的洞察力。”跟踪数据科学活动是必须的尽管如此，如果不跟踪数据科学活动，组织就无法衡量人工智能的影响。“目前的一个问题是，实际上正在收集和分析的数据科学活动非常少，”卡尔森说。“如果你问别人，他们会说他们真的不知道他们的模型表现如何，或者他们有多少项目，或者你的数据科学家在上周完成了多少CodeCommit。”这样做的一个原因是数据科学家需要使用非常不相关的工具。“这是Git作为存储库越来越受欢迎的原因之一，它是组织中数据科学家的唯一真实来源，”他解释道。像DominoDataLab这样的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。人工智能的结果是人们最关心的。Wallaroo首席执行官兼创始人VidJain在美林从事高频交易近十年，他表示，在美林，他的职责是大规模部署机器学习。以积极的投资回报率实现这一目标。真正的挑战不是发展数据科学、清理数据或构建交易存储库（现在称为数据湖）。他说，到目前为止，最大的挑战是采用这些模型，让它们发挥作用，并提供商业价值。“实现投资回报率非常困难——90%的人工智能项目没有产生投资回报率，或者它们没有产生足够的投资回报率来让投资物有所值，”他说。“但对每个人来说，答案都不是一回事。”他解释说，一个根本问题是许多人认为在机器学习上运行与在标准应用程序上运行并没有太大区别。两者之间有很大的区别，他补充说，因为人工智能不是静态的。“这几乎就像照料一个农场，因为数据是实时的，它会发生变化，而你还没有完成，”他说。“这不像是你建立了一个推荐算法，然后人们的购买行为就被及时冻结了。人们改变了他们的购买方式。突然间，您的竞争对手进行了一次促销活动。消费者不再向你购买。他们转向你的竞争对手。你必须不断地维护它。”最终，每个组织都需要决定如何使自己的文化与实现AI的最终目标保持一致。“然后你真的必须赋予人们权力来推动这种转变，然后让那些对你现有业务线至关重要的人觉得他们将从人工智能中获得一些价值，”他说，并补充说大多数公司是仍处于起步阶段。“我认为大多数公司还没有到那个地步，但我确实看到了过去六到九个月的转变，人们开始认真对待业务成果和业务价值。”AIROI仍然难以捉摸但是，对于许多组织而言，如何衡量人工智能的ROI仍然是一个难以捉摸的问题。“对于一些公司来说，存在一些基本问题，比如他们甚至无法将他们的模型投入生产，或者他们可以，但他们是盲目的，或者他们成功了，但现在他们想要扩大规模，”Jain说。“但就投资回报率而言，机器学习通常没有相关的损益。”他解释说，人工智能计划通常是卓越中心的一部分，投资回报率归企业所有，在其他情况下，很难衡量。“问题是，AI是业务的一部分吗？还是一种实用工具？如果你是数字原生代，AI可能是推动业务发展的燃料的一部分，”他说。“但在拥有传统业务或正在转型的大型组织中，如何衡量投资回报率是他们必须解决的一个基本问题。”
