對于AI的投資回報率，企業(yè)仍然不清楚。許多人認為AI就像其他任何軟件解決方案一樣：從理論上講，回報應該是立竿見影的。但這種情況并非如此。此外，由于AI供應商往往會夸大其軟件生成的結果，因此業(yè)務領導者常常被誤認為ROI的路徑要比AI的平滑得多。

實際上，要確定一個指標來可靠地衡量AI對企業(yè)的影響是非常困難的。

在本文中，我們更深入地探討了業(yè)務領導者應如何考慮確定可幫助他們理解AI項目可能產(chǎn)生的回報的ROI指標。為此，我們通過對上個月在我們的行業(yè)人工智能播客中的三位專家的訪談來探索見解。

如何衡量AI投資回報率

在被認為是成功的之前，人工智能項目固有地包含著一定程度的不確定性和實驗性。在少數(shù)AI用例中，為預計回報確定可衡量的指標可能相對簡單。例如，在制造業(yè)的預測性維護應用中，企業(yè)可以將回報直接與維護成本的減少或機器停機時間的減少聯(lián)系起來。

但是在其他應用程序中，例如改善銀行業(yè)的客戶體驗，識別少量可靠的度量標準來衡量成功則更具挑戰(zhàn)性。

除非企業(yè)對收益有清晰的了解，否則他們將有可能遭受AI投資損失的風險。確保AI項目具有可衡量指標的一種方法是選擇一個已經(jīng)存在非AI解決方案并且正在測量和跟蹤結果的特定業(yè)務問題。

NVIDIA學習與感知研究副總裁Jan Kautz在我們之前的播客系列有關AI入門的訪談中接受了采訪，他似乎同意，針對現(xiàn)有業(yè)務問題開發(fā)AI解決方案比衡量成功要容易得多。開發(fā)一個沒有先例的全新AI用例：

業(yè)務領導者還需要了解，為了在整個組織中部署AI項目，他們不僅需要數(shù)據(jù)科學家，還需要數(shù)據(jù)工程師。數(shù)據(jù)科學家是那些為特定功能開發(fā)機器學習算法的人。

數(shù)據(jù)工程師通常承擔在整個企業(yè)中實施解決方案的任務。這可能涉及確定現(xiàn)有數(shù)據(jù)基礎結構是否以可持續(xù)的方式建立，這將使AI系統(tǒng)隨著時間的推移在整個組織中平穩(wěn)運行，或者devops流程能夠維持AI項目。

Narayanan認為，可以顯示積極成果的最成功的AI項目將涉及與數(shù)據(jù)工程師合作的數(shù)據(jù)科學家。這些員工的投入對于理解可衡量的回報指標至關重要，因為他們對AI系統(tǒng)可以做什么有最深的了解。

但是這些員工通常缺乏將技術優(yōu)勢與整體業(yè)務收益聯(lián)系起來的見識，而這需要來自應用AI領域的主題專家。

業(yè)務領導者需要考慮這兩種觀點，才能真正了解他們今天從AI項目中可能會獲得什么收益。這也將幫助他們準確地分析他們希望這些AI收益在未來看起來如何，并針對最終情況調整系統(tǒng)。

衡量AI投資回報率方面面臨的挑戰(zhàn)

分階段評估投資回報率

馬丁認為，為了成功地實現(xiàn)AI項目的回報，企業(yè)需要弄清楚如何測試其最初的假設，嘗試AI系統(tǒng)以及盡快確定用例。

測試這些最初的試點項目是否成功，意味著在應用AI的任務中評估AI系統(tǒng)的性能。

衡量這些初始項目的成功甚至可能會以與AI涉及的技術挑戰(zhàn)無關的方式出錯。例如，如果一家企業(yè)實施了AI客戶服務軟件，并且由于無效的營銷活動而僅向其介紹了幾個用戶，那么衡量AI系統(tǒng)的回報就變得更具挑戰(zhàn)性。

這是因為AI系統(tǒng)可能設計得很完美，但是試點測試可能無法準確代表在整個組織中部署時所獲得的任何回報是否會真正帶來收益。

Martin認為，對于業(yè)務領導者來說，至關重要的一點是，一定不能在整個企業(yè)范圍內(nèi)大規(guī)模運行試點測試項目。只有仔細分析了幾個試驗性試點項目的結果之后，才能實施大型項目，例如徹底檢查銀行的??欺詐檢測系統(tǒng)。這與吳安德(Andrew Ng)的建議相吻合，即建議在6到12個月的時間內(nèi)(而不是大規(guī)模的多年部署)拍攝第一個AI項目。