本文作者:

人工智能与ROI的真相:人工智能真的能实现吗?

现如今,企业组织比以往任何时候都更加信任和投资人工智能(AI) 和机器学习 (ML) 的潜力。 

根据2022 年 IBM 全球人工智能采用指数,35% 的企业报告称目前在其业务中使用人工智能,另有 42% 的公司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%。 

但是,对人工智能的投资能带来直接影响企业底线的真实ROI吗?

根据 Domino Data Lab 最近的 REVElate 调查,该调查对 5 月份纽约市 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会带来两位数的增长。近五分之四的受访者 (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,实施人工智能并非易事。其他调查数据显示了坚定信心的另一面。例如,人工智能工程公司 CognitiveScale最近的调查数据发现,尽管高管们知道,数据质量和部署是推动数字化转型的成功应用开发的关键成功因素,但超过76%的高管不确定如何在12-18个月的时间内实现目标。此外,32%的高管表示,人工智能系统投入生产所花的时间比预期要长。

人工智能必须负责

Cognitive Scale的首席执行官鲍勃·皮恰诺告诉媒体,人工智能带来的ROI是可能的,但必须根据业务目标对其进行准确描述和个性化。

他说:“如果业务目标是利用历史数据进行更长期的预测,并提高预测精度,那么人工智能就可以发挥作用。”“但人工智能必须负责任地推动业务效率——ML模型的准确率达98%是不够的。”

相反,投资回报率可能是,例如,为了提高呼叫中心的效率,人工智能驱动的功能可确保减少平均呼叫处理时间。 

“这种投资回报率是他们在最高管理层谈论的内容,”他解释道。“他们不会谈论模型是否准确、稳健或漂移。” 

Cognitive Scale 的联合创始人兼首席运营官 Shay Sabhikhi 补充说,76%的受访者表示难以扩大他们在人工智能方面的投入,他对此并不感到惊讶。“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和其他不知道如何处理他们开发的模型的组织之间的摩擦。

他说:“这些模型可能有最好的算法和精确召回率,但却被束之高阁,因为它们实际上被扔给了开发团队,然后他们不得不匆忙地把应用组装起来。”

然而,在这一点上,组织必须对他们在人工智能方面的投资负责,因为人工智能不再是一系列科学实验,Picciano 指出。“我们称之为从实验室走向生活,”他说。“我参加了一个首席数据分析官会议, 他们都在问,我该如何扩大规模?如何实现人工智能产业化?”

投资回报率是人工智能的正确指标吗?

然而,并不是所有人都同意ROI是衡量AI是否在组织中驱动价值的最佳方法。安永(EY)全球首席技术官尼古拉•莫里尼•比安齐诺(Nicola Morini Bianzino)表示,用“用例”来衡量人工智能和企业,然后通过ROI来衡量,这是对待人工智能的错误方式。

“对我来说,人工智能是一套技术,几乎可以在企业的任何地方部署——不会将用例与相关的 ROI 分析隔离开来,”他说。 

相反,他解释说,组织机构只需要在任何地方使用人工智能。“这几乎就像云计算一样,两三年前,我与客户进行了很多对话,他们问,‘ROI是什么?我迁移到云计算的商业案例是什么?现在,大流行之后,这种对话不再发生了。每个人都说,‘我必须这么做。’”

此外,Bianzino指出,讨论AI和ROI取决于你所说的“使用AI”。

他说:“假设你试图应用一些自动驾驶能力——也就是说,计算机视觉是人工智能的一个分支。”“这是一个商业案例吗?不,因为没有人工智能就无法实现自动驾驶。”安永(EY)这样的公司也是如此,它吸收大量数据并向客户提供建议——这离不开人工智能。他说:“这是你无法从过程中分离出来的东西——它是内在的。”

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、发展模型和扩大模型都需要时间。他说:“并不是有一天你可以说,我完成了人工智能,100%的价值就在那里——不,这是一种持续的能力,随着时间的推移会变得更好。”“就能够产生的价值而言,并没有真正的终点。”

Bianzino说,在某种程度上,人工智能正在成为商业成本的一部分。“如果你从事的是一个涉及数据分析的行业,你不可能不具备人工智能能力,”他解释说。“你能把这些模型的商业案例分离出来吗?这很难,我认为没有必要。对我来说,这几乎是运营企业的基础设施成本。”

人工智能的投资回报率难以衡量

企业 MLops 提供商 Domino Data Lab 的数据科学战略和宣传负责人 Kjell Carlsson 说,归根结底,企业想要的是衡量ROI的商业影响——它的贡献有多大。但有一个问题是,这可能与开发模型所做的工作完全脱节。

他说:“因此,如果你创造一个模式,将点击率提高一个百分点,你就等于为企业增加了数百万美元的利润。”“但你也可以创建一个良好的预测性维修模型,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,金钱价值对组织的影响可能完全不同,“即使其中一个可能最终成为一个更困难的问题,”他补充说。

总的来说,组织确实需要一个“平衡计分卡”来跟踪AI的生产。他说: “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过多,这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,所以你实际上无法承担这些其他高价值的模型,”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来说,结果并不是一个投入生产的模型。“如果你想对去年的交易进行定量的盈亏分析,你可能需要对此进行严格的统计调查,”他说。“但没有一个模型可以投入生产,你是在利用人工智能来获得你在这个过程中获得的见解。”

必须跟踪数据科学活动

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作用。“目前的一个问题是,真正收集和分析的数据科学活动很少,”Carlsson说。“如果你问人们,他们会说他们真的不知道模型的性能如何,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CodeCommits。”

其中一个原因是数据科学家需要使用非常不相关的工具。“这就是为什么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,”他解释说。像Domino Data Lab这样的MLops工具提供了支持这些不同工具的平台。他说:“各组织能够在多大程度上创建这些更加集中化的平台……这很重要。

人工智能的结果是人们最关心的


Wallaroo首席执行官兼创始人Vid Jain曾在美林从事近十年的高频交易业务,他表示,在美林,他的职责是大规模部署机器学习,并以积极的ROI实现这一目标。

真正的挑战并不是发展数据科学、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,将它们运作起来,并交付业务价值。

他说:“实现投资回报率是非常困难的——90%的人工智能项目都没有产生投资回报率,或者它们产生的投资回报率不足以让投资物有所值。”“但这是每个人的首要想法。答案不是一回事。”

他解释说,一个根本问题是,许多人认为,对机器学习进行操作与对一种标准应用进行操作没有太大区别。他补充说,这两者有很大区别,因为人工智能不是静态的。

他说:“这几乎就像照料一个农场,因为数据是活的,数据会变化,而你还没有完成。”“这不像你建立了一个推荐算法,然后人们的购买行为就会被及时冻结。人们改变了他们的购买方式。突然间,你的竞争对手进行了促销活动。消费者停止向你购买东西。他们转向了竞争对手。你必须经常去维护它。” 

最终,每个组织都需要决定如何将自己的文化与实现AI的最终目标相结合。他说:“然后你真的必须授权给人们来推动这种转变,然后让那些对你现有业务线至关重要的人感到他们将从人工智能中获得一些价值。”

他补充说,大多数公司还处于起步阶段。“我认为大多数公司还没有做到这一点,但在过去6到9个月里,我肯定看到了一种转变,人们开始认真对待业务结果和业务价值。”

人工智能的ROI仍然难以捉摸


但是,对于许多组织来说,如何衡量人工智能的ROI仍然是一个难以捉摸的问题。“对一些公司来说,有一些基本的问题,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,机器学习往往没有相关的损益。”

他解释说,AI计划通常是卓越中心的一部分,ROI由业务部门掌握,而在其他情况下,它很难衡量。

“问题是,人工智能是业务的一部分吗?还是一种效用?如果你是数字原生代,人工智能可能是业务运行燃料的一部分,”他说。“但在一个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。”