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

根據2022 年 IBM 全球人工智能采用指數，35% 的企業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%。

但是，對人工智能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。近五分之四的受訪者 (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堅定信心的另一面。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，數據質量和部署是推動數字化轉型的成功應用開發的關鍵成功因素，但超過76%的高管不確定如何在12-18個月的時間內實現目標。此外，32%的高管表示，人工智能系統投入生產所花的時間比預期要長。

人工智能必須負責

Cognitive Scale的首席執行官鮑勃·皮恰諾告訴媒體，人工智能帶來的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數據進行更長期的預測，并提高預測精度，那么人工智能就可以發揮作用。”“但人工智能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，人工智能驅動的功能可確保減少平均呼叫處理時間。

“這種投資回報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運營官 Shay Sabhikhi 補充說，76%的受訪者表示難以擴大他們在人工智能方面的投入，他對此并不感到驚訝。“這正是我們從企業客戶那里聽到的，”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，然后他們不得不匆忙地把應用組裝起來。”

然而，在這一點上，組織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能的正確指標嗎?

然而，并不是所有人都同意ROI是衡量AI是否在組織中驅動價值的最佳方法。安永(EY)全球首席技術官尼古拉?莫里尼?比安齊諾(Nicola Morini Bianzino)表示，用“用例”來衡量人工智能和企業，然后通過ROI來衡量，這是對待人工智能的錯誤方式。

“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——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能。“這幾乎就像云計算一樣，兩三年前，我與客戶進行了很多對話，他們問，‘ROI是什么?我遷移到云計算的商業案例是什么?現在，大流行之后，這種對話不再發生了。每個人都說，‘我必須這么做。’”

此外，Bianzino指出，討論AI和ROI取決于你所說的“使用AI”。

他說:“假設你試圖應用一些自動駕駛能力——也就是說，計算機視覺是人工智能的一個分支。”“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。”安永(EY)這樣的公司也是如此，它吸收大量數據并向客戶提供建議——這離不開人工智能。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，人工智能在第一天就沒有生產力或效率。獲取數據、訓練模型、發展模型和擴大模型都需要時間。他說:“并不是有一天你可以說，我完成了人工智能，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。”“就能夠產生的價值而言，并沒有真正的終點。”

Bianzino說，在某種程度上，人工智能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能能力，”他解釋說。“你能把這些模型的商業案例分離出來嗎?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。”

人工智能的投資回報率難以衡量

企業 MLops 提供商 Domino Data Lab 的數據科學戰略和宣傳負責人 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，你就等于為企業增加了數百萬美元的利潤。”“但你也可以創建一個良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”來跟蹤AI的生產。他說: “因為如果你沒有將任何東西投入生產，那么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么多模型，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 投資回報率的另一個問題是，對于許多數據科學項目來說，結果并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，你是在利用人工智能來獲得你在這個過程中獲得的見解。”

必須跟蹤數據科學活動

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。“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周完成了多少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。“這就是為什么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唯一真實來源，”他解釋說。像Domino Data Lab這樣的MLops工具提供了支持這些不同工具的平臺。他說:“各組織能夠在多大程度上創建這些更加集中化的平臺……這很重要。

人工智能的結果是人們最關心的

Wallaroo首席執行官兼創始人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，并以積極的ROI實現這一目標。

真正的挑戰并不是發展數據科學、清理數據或構建交易存儲庫(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，將它們運作起來，并交付業務價值。

他說:“實現投資回報率是非常困難的——90%的人工智能項目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，因為人工智能不是靜態的。

他說:“這幾乎就像照料一個農場，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算法，然后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的最終目標相結合。他說:“然后你真的必須授權給人們來推動這種轉變，然后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能中獲得一些價值。”

他補充說，大多數公司還處于起步階段。“我認為大多數公司還沒有做到這一點，但在過去6到9個月里，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。”

人工智能的ROI仍然難以捉摸

但是，對于許多組織來說，如何衡量人工智能的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，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。“但就投資回報率而言，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，人工智能是業務的一部分嗎?還是一種效用?如果你是數字原生代，人工智能可能是業務運行燃料的一部分，”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。”