報道 | 吳昕

與以往任何時候相比，現在各企業都對人工智能和機器學習的潛力充滿信心并加以投入。

根據 2022 年 IBM 全球人工智能采用指數（IBM Global AI Adoption Index 2022），35% 的公司報告稱目前在其業務中使用人工智能，另有 42% 的公司表示他們正在探索人工智能。

與此同時，麥肯錫的一項調查（The state of AI in 2021）發現，56% 的受訪者表示，他們在 2021 年至少在一項職能中采用了人工智能，高于 2020 年的 50%。

但對人工智能的投資能否帶來直接影響公司底線的真正投資回報率？

根據企業MLOps解決方案提供商 Domino Data Lab 最近的 REVElate 調查，該調查對 5 月份紐約市 Rev 3 會議的與會者進行了調查，許多受訪者似乎都這么認為。事實上，近一半的人預計，數據科學會帶來兩位數的增長。五分之四的受訪者 (79%) 表示，數據科學、機器學習和人工智能對其公司未來的整體增長至關重要，36% 的受訪者稱其為最關鍵的因素。

當然，實施人工智能并非易事。其他調查數據顯示了硬幣的另一面。例如，人工智能工程公司 CognitiveScale 最近的調查數據發現，盡管高管們知道，數據質量和部署是成功開發應用程序以推動數字化轉型的關鍵因素，但超過76%的高管不確定如何在12-18個月內實現目標。此外，32%的高管表示，引入人工智能系統所花的時間比預期的要長。

CognitiveScale 最近的調查數據發現，76% 受訪者表示在擴展他們的人工智能工作方面遇到困難。

CognitiveScale最近的調查數據發現，32%的高管表示，引入人工智能系統所花的時間比預期的要長。而只有 19% 的人表示花費的時間比預期的要短。

值得注意的是，75% 的 AI 高管表示，信任和透明度對整體 AI 應用程序開發很重要，因為他們處于受監管的行業，63% 的人表示可重復性是 AI 開發過程中的關鍵因素。

「人工智能的潛力是巨大的，雖然人工智能的采用開始加速，但理解人工智能的實施仍然是組織正在理解的事情。」 CognitiveScale 首席執行官 Bob Picciano 表示：「我們的 AI 工程調查表明，數據質量是影響組織內成功采用 AI 的最大因素。關鍵任務信息、可重復性需求以及信任和治理對于人工智能的成功也至關重要。」

根據最近發布的一份報告，Forrester 的 Now Tech：AI/ML 平臺，2022 年第一季度報告（ Now Tech: AI/ML Platforms, Q1 2022 report）「AI 的商業案例很明確，但企業在實施和證明結果方面遇到了困難。人工智能要想產生變革性的影響，就需要工業化。這意味著擱置一次性解決方案并建立經過驗證的 AI 工程實踐——標準化的積木、工具和流程，從而更容易更快地以可擴展的方式推動價值。」

Bob Picciano 告訴 VentureBeat，人工智能的投資回報率是可能的，但必須根據業務目標準確描述和擬人化。

「如果業務目標是通過歷史數據獲得更長期的預測和更高的預測準確性，那么，這就是人工智能可以發揮作用的地方，」他說。「但 AI 必須負責提高業務效率——說 ML 模型準確率為 98% 是不夠的。」

相反，ROI可以是，例如，為了提高呼叫中心的效率，人工智能驅動的能力可以確保減少平均呼叫處理時間。

他解釋說，「這種投資回報率是高管們談論的東西。」「他們不談論模型是否準確、穩健或漂移。」

76% 的受訪者表示，在擴展他們的人工智能工作方面遇到困難，對此，Cognitive Scale 的聯合創始人兼首席運營官 Shay Sabhikhi 并不感到驚訝。「這正是我們從企業客戶那里聽到的，」他說，其中一個問題在于數據科學團隊與組織其他部門之間的摩擦，他們不知道如何處理他們開發的模型。

「這些模型可能有最好的算法和精度召回，但它們被束之高閣，因為它們實際上被扔給了開發團隊，然后他們不得不匆忙地試圖組裝這些應用程序。」他說。

然而，在這一點上，企業必須對他們在人工智能方面的投資負責，因為人工智能不再是一系列科學實驗，Picciano 指出。「我們稱之為從實驗室走向現實，」他說。「我參加了一個首席數據分析官會議，他們都說，我該如何擴展？我如何將人工智能產業化？」

然而，并非所有人都同意投資回報率甚至是衡量人工智能是否在組織中推動價值的最佳方式。

根據安永全球首席技術官 Nicola Morini Bianzino 的說法，從「用例」角度考慮人工智能和企業，然后通過 ROI 加以衡量，這種對待人工智能的方法是錯誤的。

「對我來說，人工智能是一套技術，幾乎可以在企業的任何地方部署——用例與相關的 ROI 分析不能區隔開，」他說。

相反，他解釋說，企業需要在任何地方使用人工智能。「這幾乎就像云一樣，兩三年前，我與客戶進行了很多對話，他們喜歡問投資回報率是多少？我遷移到云的商業案例是什么？現在，大流行后，客戶不再這么問。每個人都只是說，『我必須這樣做。』」

此外，Bianzino 指出，討論人工智能和 ROI 取決于你所說的「使用 AI」是什么意思。

「假設你正在嘗試應用一些自動駕駛功能——即計算機視覺作為人工智能的一個分支，」他說。「這是一個商業案例嗎？不，因為沒有人工智能就無法實現自動駕駛。」

對于像安永這樣的公司來說也是如此，它吸收大量數據并向客戶提供建議——沒有人工智能就無法做到。「你無法從流程中分離出這個東西——它是內置的，」他說。

此外，根據定義，人工智能在第一天就沒有生產力或效率。獲取數據、訓練模型、改進模型和擴展模型需要時間。「這不像有一天你可以說，我已經完成了人工智能，并且 100% 的價值就在那里——不，這是一種持續的能力，隨著時間的推移會變得更好，」他說。「就可以產生的價值而言，實際上并沒有盡頭。」

Bianzino 說，在某種程度上，人工智能正在成為經營成本的一部分。「如果你從事涉及數據分析的業務，你就不能沒有人工智能的能力，」他解釋說。「你能分離出這些模型的商業案例嗎？這非常困難，我認為也沒有必要。對我來說，這幾乎就像是運營業務所需的基礎設施成本。」

歸根結底，組織想要的是衡量 ROI 對業務的影響——它對底線的貢獻有多大。Domino Data Lab 的數據科學戰略和宣傳負責人 Kjell Carlsson 說。但問題是，這可能與開發模型的工作量完全脫節。

「因此，如果你創造一個能提高點擊轉化率一個百分點的模型，就等于為企業增加了數百萬美元的利潤。」他說，「但它也可以創造一個很好的預測性維修模型。」在這種情況下，對組織經濟收益影響可能完全不同。「盡管其中一個可能最終成為一個更困難的問題，」他補充說。

總體而言，組織確實需要一個「平衡計分卡」來跟蹤人工智能的生產。「因為如果你沒有將任何東西投入生產，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，也可能存在問題。」

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。「你在去年部署了這么多模型，所以你實際上也再也承受不了其他高價值模型，」他解釋說。

衡量 AI 投資回報率的另一個問題是，對于許多數據科學項目來說，其結果并不是一個投入生產的模型。「如果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。「但沒有一種模型可以投入生產的同時，還能利用人工智能獲取這一過程當中的洞察力。」

盡管如此，如果不跟蹤數據科學活動，組織就無法衡量人工智能的作用。「現在的一個問題是，真正收集和分析的數據科學活動很少，」Kjell Carlsson 說。「如果你問人們，他們會說他們真的不知道模型表現如何，或者他們有多少項目，或者你的數據科學家在上周完成了多少代碼托管（ CodeCommits）。」

原因之一是數據科學家需要使用非常不連貫的工具。「這就是 Git 作為存儲庫越來越受歡迎的原因之一，它是組織中數據科學家的單一事實來源，」他解釋道。諸如 Domino Data Lab 之類的 MLops 工具提供了支持這些不同工具的平臺。「組織可以在多大程度上創建這些更集中的平臺……很重要，」他說。

Wallaroo 首席執行官兼創始人 Vid Jain 在美林證券從事高頻交易業務近十年，他說，他的職責是大規模部署機器學習，并以積極的投資回報率進行部署。

挑戰實際上并不在于開發數據科學、清理數據或構建貿易存儲庫，現在稱為數據湖。他說，到目前為止，最大的挑戰是采用這些模型并將它們付諸實施并提供商業價值。

「事實證明，實現 ROI 非常困難——這些人工智能計劃中有 90% 沒有產生它們的 ROI，或者它們沒有產生足夠的 ROI 來讓投資變得值得，」他說。「但這對每個人來說都是頭等大事。答案不是一回事。」

他解釋說，一個基本問題是，許多人認為實施機器學習與實施標準類型的應用程序沒有太大區別，但他補充說，其實存在很大差異，因為人工智能不是靜態的。

「這幾乎就像照顧一個農場，因為數據是活的，數據是變化的，遠談不上到此為止，」他說。「這并不是說，你建立了一個推薦算法，人們的購買行為也就停滯在了這個時點。人們的購物行為是會變的，你的競對會突然促銷，人們會轉向你的競對，而不是一直在你這里買東西。你必須經常照顧你的算法模型。」

最終，每個組織都需要決定如何將他們的文化與圍繞實施人工智能的最終目標保持一致。「然后你真的必須授權人們推動這種轉變，讓對你現有業務線至關重要的人覺得他們將從人工智能中獲得一些價值，」他說。

他補充說，大多數公司仍處于這一過程的早期階段。「我認為，大多數公司還沒有做到這一點，但在過去的六到九個月里，我確實看到，人們已經開始認真對待業務成果和業務價值。」

但是對于許多企業來說，如何衡量人工智能的投資回報率的問題仍然難以捉摸。「對于一些企業來說，面臨一些基本問題，比如他們甚至無法將他們的模型投入生產，或者他們可以但盲目地測試，或者他們成功但現在他們想要擴大規模，」Jain 說。「但就投資回報率而言，機器學習通常談不上損益。」

他解釋說，這是因為人工智能計劃通常是卓越中心的一部分，而投資回報率由業務部門掌管，而在其他情況下，很難衡量。

「問題是，人工智能是業務的一部分嗎？或者它是一個實用程序？如果你是數字原生代，人工智能可能是業務運行的燃料的一部分，」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一個基本問題。」

參考鏈接
https://venturebeat.com/2022/06/17/the-truth-about-ai-and-roi-can-artificial-intelligence-really-deliver/
https://www.digitaljournal.com/pr/more-than-76-of-executives-face-challenges-with-scaling-implementation-of-ai-applications-cognitivescale-survey-finds

本文來自微信公眾號 “機器之能”（ID：almosthuman2017），36氪經授權發布。