Πώς να αξιολογήσετε την απόδοση επένδυσης (ROI) των έργων τεχνητής νοημοσύνης σας καθώς πλησιάζει η ύφεση

Πώς να αξιολογήσετε την απόδοση επένδυσης (ROI) των έργων τεχνητής νοημοσύνης σας καθώς πλησιάζει η ύφεση

Dezember 23, 2022 0 Von admin

Δείτε όλες τις κατ‘ απαίτηση συνεδρίες από το Intelligent Security Summit εδώ.


Καθώς οι εταιρείες προσπαθούν να προστατευθούν από την οικονομική ύφεση, όλα τα είδη έργων επηρεάζονται. Και η εφαρμοσμένη τεχνητή νοημοσύνη (AI) δεν αποτελεί εξαίρεση.

Πριν από την ύφεση, ο κλάδος της τεχνητής νοημοσύνης απολάμβανε μια χρυσή βιασύνη, με τις εταιρείες να ρίχνουν πολλά μετρητά για ταλέντο, έρευνα και έργα μηχανικής μάθησης (ML). Ενώ αυτές οι προσπάθειες απέδωσαν καρπούς και μπορούν να φανούν σε εφαρμογές που χρησιμοποιούμε καθημερινά, μεγάλο μέρος αυτής της επένδυσης προκλήθηκε από αδικαιολόγητη διαφημιστική εκστρατεία γύρω από την τεχνητή νοημοσύνη.

Καθώς οι οργανισμοί προσαρμόζουν τις πρωτοβουλίες τεχνητής νοημοσύνης στις νέες συνθήκες της αγοράς, ορίστε τι να περιμένετε.

Μέτρηση απόδοσης επένδυσης για έργα τεχνητής νοημοσύνης

«Ακόμη και πριν από την ύφεση, μιλούσαμε για την απόδοση επένδυσης σε έργα τεχνητής νοημοσύνης», είπε ο Anand Rao, παγκόσμιος επικεφαλής τεχνητής νοημοσύνης στην PwC, στο VentureBeat. «Ενώ η απόδοση επένδυσης (ROI) αποτελεί ανησυχία για την υιοθέτηση οποιασδήποτε τεχνολογίας, η διαφορά με την τεχνητή νοημοσύνη, σε αντίθεση με άλλες τεχνολογίες όπως το cloud, είναι ότι μιλάτε για πρόβλεψη».

Εκδήλωση

Ευφυής Σύνοδος Κορυφής Ασφάλειας Κατ‘ Απαίτηση

Μάθετε τον κρίσιμο ρόλο του AI & ML στην ασφάλεια στον κυβερνοχώρο και τις ειδικές περιπτωσιολογικές μελέτες του κλάδου. Παρακολουθήστε τις συνεδρίες κατ‘ απαίτηση σήμερα.

Παρακολουθήστε εδώ

Πώς μετράτε την αξία της πρόβλεψης; Οι περισσότερες εταιρείες χρησιμοποιούν εποπτευόμενες μηχανή μάθηση μοντέλα, που σημαίνει ότι εκπαιδεύουν τα μοντέλα τους σε παραδείγματα που επισημαίνονται από ειδικούς σε ανθρώπους. Στη συνέχεια, το ποσοστό ακρίβειας του μοντέλου μετριέται συγκρίνοντας τις προβλέψεις του με τη βασική αλήθεια που καθορίζεται από ανθρώπους σχολιαστές. Ωστόσο, δεν εξομοιώνονται όλα τα μέτρα ακρίβειας.

«Σε πολλούς οργανισμούς, δεν είναι το καλύτερο άτομο που κάνει την επισήμανση», είπε ο Ράο. Για παράδειγμα, όταν ένα χρηματοπιστωτικό ίδρυμα δημιουργεί ένα μοντέλο ML για αποφάσεις αναδοχής, η επισήμανση των καλύτερων ασφαλιστών στα παραδείγματα εκπαίδευσης θα έχει καλύτερο αποτέλεσμα από το να κάνει κάποιος ασκούμενος την επισήμανση κατά τον ελεύθερο χρόνο του. Αυτό είναι κρίσιμο γιατί ένα μοντέλο με (ας πούμε) ακρίβεια 95% έχει μεγαλύτερη αξία από ένα με χαμηλότερο ποσοστό ακρίβειας.

«Υπάρχει επίσης μια επιπλοκή όπου δεν μετράτε την ανθρώπινη απόδοση τόσο αυστηρά όσο μετράτε την απόδοση της τεχνητής νοημοσύνης», είπε ο Ράο. «Πραγματικά δεν ξέρετε αν όλοι οι ασφαλιστές σας ταιριάζουν με την ακρίβεια του συστήματός σας AI. Εάν δεν το κάνουν, η τεχνητή νοημοσύνη σας είναι πολύ καλύτερη από ό,τι υποθέσατε αρχικά».

Και τέλος, οι οργανισμοί πρέπει επίσης να λογοδοτούν για το κόστος των λανθασμένων προβλέψεων, είπε ο Rao, το οποίο εξαρτάται από την εφαρμογή, το περιβάλλον, τους πελάτες και πολλούς άλλους παράγοντες.

«Η πρόκληση της μέτρησης της απόδοσης επένδυσης (ROI) των αλγορίθμων AI/ML υπήρχε συνεχώς», είπε ο Rao. «Χρειαζόμαστε πιο αυστηρά μέτρα. Τώρα, με την ύφεση, γίνεται ακόμη πιο κρίσιμο να έχουμε μια καλή αίσθηση της απόδοσης επένδυσης (ROI) στους αλγόριθμους ML/AI».

Με μια σαφέστερη εικόνα της κερδοφορίας των έργων τεχνητής νοημοσύνης τους, οι οργανισμοί θα είναι σε καλύτερη θέση να αποφασίσουν αν θα συνεχίσουν ή θα τα σταματήσουν.

Η προσέγγιση χαρτοφυλακίου AI

Η τεχνητή νοημοσύνη θα παραμείνει σημαντική για τη διατήρηση ενός ανταγωνιστικού πλεονεκτήματος σε πολλούς κλάδους, ακόμη και κατά τη διάρκεια της ύφεσης. Ωστόσο, οι εταιρείες πρέπει να προσαρμόσουν τις στρατηγικές τους για την τεχνητή νοημοσύνη στις οικονομικές συνθήκες. Και αυτό μπορεί να ξεκινήσει με μια αλλαγή στον τρόπο με τον οποίο μια εταιρεία αντιλαμβάνεται τα έργα τεχνητής νοημοσύνης.

«Στα στελέχη αρέσει να εξετάζουν κάθε έργο και να ρωτούν, ποια είναι η απόδοση επένδυσης (ROI) για αυτόν τον κινητήρα συστάσεων ή για αυτήν την τεχνολογία NLP;» είπε ο Ράο. «Η μέτρηση της απόδοσης επένδυσης σε αυτό το επίπεδο, έργο με έργο, δεν είναι η σωστή προσέγγιση. Θα πείτε, „Αυτό το έργο δεν είχε καμία απόδοση επένδυσης (ROI), οπότε ας σταματήσουμε να κάνουμε οποιαδήποτε τέτοια δουλειά στο μέλλον.“

Ο Ράο συνιστά αυτό που αποκαλεί «προσέγγιση χαρτοφυλακίου». Αντί να μετρούν την επιτυχία των έργων τεχνητής νοημοσύνης ανά έργο, οι εταιρείες θα πρέπει να βλέπουν την πρωτοβουλία τεχνητής νοημοσύνης τους ως ένα χαρτοφυλάκιο που περιλαμβάνει μια ποικιλία έργων τεχνητής νοημοσύνης.

Ορισμένα έργα θα βασίζονται σε μοντέλα ML που έχουν δοκιμαστεί από ανταγωνιστές και έχουν αποδειχθεί ότι λειτουργούν. Αυτοί είναι οι χαμηλοί καρποί της εφαρμοσμένης τεχνητής νοημοσύνης. Έχουν μεγάλες πιθανότητες επιτυχίας και είναι εύκολο να υιοθετηθούν. Ο Rao τα αποκαλεί «έργα τεχνητής νοημοσύνης που δημιουργούν ROI».

Άλλα έργα θα επικεντρωθούν στον πειραματισμό με τεχνητή νοημοσύνη αιχμής, όπως μεγάλα μοντέλα γλωσσών, την εξερεύνηση νέας τεχνολογίας και τη διατήρηση των κινητών των επιστημόνων των δεδομένων σας να ξεπεράσουν τα όρια. Αυτού του είδους τα έργα έχουν μικρότερες πιθανότητες επιτυχίας, αλλά μπορούν να έχουν υψηλότερες αποδόσεις εάν πετύχουν.

«Χρειάζεστε ένα χαρτοφυλάκιο στο οποίο ορισμένα έργα είναι νέα, μερικά είναι απλώς τύποι συντήρησης, μερικά είναι πράγματα που έχουν κάνει άλλοι», είπε ο Rao. «Εκτελείτε πολλά πειράματα, και ίσως από τα 10, τρία να πετύχουν. Και αυτά θα δώσουν πολύ μεγαλύτερη απόδοση από το σύνολο των 10 μαζί».

Τα στελέχη πρέπει επίσης να προσέχουν τις ανταλλαγές κινδύνου/απόδοσης των έργων τεχνητής νοημοσύνης τους. Αυτό σημαίνει ότι αντί να επιλέγουν μοντέλα με βάση την ακρίβεια, οι διαχειριστές τεχνητής νοημοσύνης θα πρέπει να εξετάζουν ένα ευρύ φάσμα χαρακτηριστικών, όπως η δικαιοσύνη, η επεξήγηση, η ευρωστία και η ασφάλεια. Για παράδειγμα, η τεχνολογία αναγνώρισης προσώπου συνοδεύεται από κινδύνους ιδιωτικότητας και ηθικής, οι οποίοι πρέπει να σταθμιστούν σε σχέση με τα οφέλη της τεχνολογίας.

«Πιστεύω ότι η προσέγγιση χαρτοφυλακίου θα αρχίσει να ισχύει, ειδικά στην ύφεση όπου οι άνθρωποι ρωτούν για την αξία της τεχνητής νοημοσύνης», είπε ο Ράο. «Σχεδόν ωριμάζουμε από μια «δροσερή» τεχνολογία με διαφημιστική εκστρατεία για να ανταποκριθούμε στην πραγματικότητα και να εδραιωθούμε περισσότερο στην παραδοσιακή τεχνολογία και να αποκτήσουμε την αυστηρότητα που απαιτείται για να υιοθετηθούμε ευρέως».

Η φούσκα ταλέντου της τεχνολογίας

Τα τελευταία χρόνια παρατηρήθηκε μεγάλη εισροή επιστημόνων δεδομένων και μηχανικών μηχανικής μάθησης σε διάφορους τομείς. Η αυξανόμενη ζήτηση για ταλέντο AI έχει δημιουργήσει μια φούσκα όπου οι εταιρείες τεχνολογίας προσφέρουν τεράστιους μισθούς. Καθώς οι εταιρείες παλεύουν με την ύφεση, θα υπάρξει προσαρμογή.

«Οι άνθρωποι πληρώνονταν πολύ για το ταλέντο τους στην τεχνητή νοημοσύνη, όχι μόνο από το εξωτερικό αλλά και από το εσωτερικό της βιομηχανίας της τεχνολογίας. Πήγαιναν από τη μια εταιρεία στην άλλη και επέστρεφαν, και αλλάζουν συνεχώς με μεγαλύτερες προσφορές. Οι μισθοί και οι αποζημιώσεις αυξάνονταν συνεχώς», είπε ο Ράο. «Την περασμένη χρονιά, υπήρξε τεράστια πίεση στον κλάδο της τεχνολογίας. Εκτός από την απώλεια θέσεων εργασίας, υπάρχει ένα πάγωμα ταλέντων τεχνολογίας. Βλέπουμε τη φούσκα ταλέντων τεχνολογίας να σκάει».

Με την επιβράδυνση της οικονομίας, πολλοί οργανισμοί αρχίζουν να αναρωτιούνται εάν έχουν την απόδοση που θέλουν από τις τεράστιες επενδύσεις που κάνουν για την απόκτηση και τη διατήρηση ταλέντων τεχνητής νοημοσύνης. Λαμβάνουν μια μετρήσιμη αύξηση εσόδων; Θα μειωνόταν τα έσοδά τους στο μισό εάν διατηρούσαν μόνο τους μισούς μηχανικούς AI/ML τους;

«Το ερώτημα που τίθεται είναι: Ποια ακριβώς είναι η αξία που προσθέτουν;» είπε ο Ράο. «Υπάρχει έντονη εστίαση στην απόδοση επένδυσης (ROI) καθώς και στην παραγωγικότητα των ανθρώπων της AI/ML σε σχέση με τους μισθούς τους».

Καθώς τα ανώτερα στελέχη αρχίζουν να κάνουν ερωτήσεις σχετικά με την παραγωγικότητα της μηχανικής AI/ML, θα υπάρξει επιβράδυνση στις προσλήψεις, πιστεύει ο Rao. Ταυτόχρονα, οι εταιρείες θα πρέπει να επιστρέψουν στον πίνακα σχεδίων και να βρουν τρόπους για να μετρήσουν την απόδοση επένδυσης (ROI) των έργων τεχνητής νοημοσύνης τους και να καθορίσουν πόσο από τα έσοδά τους είναι το αποτέλεσμα της AI/ML.

Η φωτεινή πλευρά της φούσκας ταλέντων τεχνολογίας που σκάει είναι ότι η δεξαμενή ταλέντων τεχνητής νοημοσύνης θα γίνει πολύ πιο προσιτή σε άλλες βιομηχανίες.

«Προηγουμένως, το να είσαι διευθυντής προϊόντων σε μια μεγάλη εταιρεία τεχνολογίας θα ήταν μια ονειρεμένη δουλειά για κάποιον με ιστορικό CS ή MBA. Τώρα ψάχνουν πέρα εταιρείες τεχνολογίας γιατί δεν υπάρχει μεγάλη πρόσληψη από εταιρείες τεχνολογίας», είπε ο Ράο. «Η διαρροή εγκεφάλων από άλλους τομείς προς την τεχνολογία αντιστρέφεται. Από κάποια άποψη, είναι καλό να υπάρχει αυτή η διόρθωση. Ήμασταν σε μια πληθωριστική φούσκα στο παρελθόν. Τώρα γίνεται ένα πιο ορθολογικό μοντέλο αποζημίωσης σε όλους τους τομείς».

Η αποστολή του VentureBeat πρόκειται να αποτελέσει μια ψηφιακή πλατεία της πόλης για τους τεχνικούς λήπτες αποφάσεων ώστε να αποκτήσουν γνώσεις σχετικά με τη μετασχηματιστική επιχειρηματική τεχνολογία και να πραγματοποιήσουν συναλλαγές. Ανακαλύψτε τις Ενημερώσεις μας.