“投资人工智能？这是需要考虑的”

投资人工智能？这是需要仔细考虑的 (Tóuzī réngōng zhìnéng? Zhè shì xūyào zǐxì kǎolǜ de)

投资回报率（ROI）帮助企业确定哪些项目应优先考虑，或简单说，即最值得分配最多资源和注意力以实现业务目标的倡议。

既然我们要讨论涉及数字的ROI，让我们从一些统计数据开始：

• 根据福布斯的报道，预计全球人工智能市场复合年增长率将达到38%，到2030年将达到1800亿美元。
• 对于83%的公司而言，人工智能是首要任务。
• 根据IBM的数据，到2023年，人工智能系统的支出将增加27%，达到1,540亿美元。
• 该报道进一步分享，平均而言，组织在10%的投资资本成本上只能获得5.9%的投资回报率。
• 然而，成功的先驱者通过在合适的时间评估正确的机会，实现了13%的投资回报率。

像专业人士一样投资。

• 大型语言模型对话应用程序：理解用户输入、提示和回复的顺序
• 金融领域的生成型人工智能：FinGPT、BloombergGPT以及更多进展
• 数字客户体验渠道的协调：现代组织中聊天机器人和ChatGPT的四象限协同模型

鉴于巨额投资，不可避免地需要谈论-为这样的巨额投资带来的回报是什么。 普华永道表示，大多数公司甚至无法获得任何回报。

人工智能投资很快成为大多数高管关心的焦点。 他们需要进行明智的人工智能投资，以获取高回报，但他们如何实现领导者可以产生的回报呢？ 请注意，预期回报的北极星在未来几年内达到30%。

• 第一步是将人工智能视为战略举措。 它必须从特定组织的目标中衍生出来，而不是竞争对手的目标。 需要记住，每个组织都是独特的，因为其独特的领域、业务模式和技术能力。

• 这需要确定与未来3-5年组织的目标和愿景相一致的项目。

• 即使有明确的前路，实现人工智能的潜力也并非没有障碍。 它需要分析思维，注入整个组织的人工智能文化。

• 人工智能思维帮助企业识别哪些人工智能项目值得启动，同时对于非人工智能项目要节俭处理。 为了让文化方面更容易理解，建议快速建立一批机会主义和创新项目，并能够在过程中弄清楚各种变量。

• 接下来是数据-它是整个人工智能转型的关键，因此，大部分关注和努力都必须放在建立数据治理流程上。 SAP将数据治理定义为“在输入、存储、操作、访问和删除数据时，为确保组织数据的准确性而实施的政策和程序。”

价值生成

了解针对人工智能倡议的ROI，‘价值’比纯利润更重要。

利润意味着与传统的计算回报相关的实际现金。 然而，人工智能从业者将“价值生成”作为重点，以表示人工智能实施的组织范围内的益处。

在这种附加背景下，让我们将ROI分解为两个组成部分。 回报是从投资中产生的价值，包括开发这些系统的成本。

收入和回报

有多种方法来评估收入。 除了人工智能产品带来的直接收入流，有些倡议并非直接是收入来源，但可以微妙地增强或补充现有过程。

这样的举措可能不会立即产生效果，但随着时间的推移，它们可以导致收入的显著增长。考虑到电子商务平台上基于用户浏览历史推荐产品的基于人工智能的推荐引擎。这些推荐会温和地引导用户进行额外的购买，从而增加销售额。

  

另一个例子是平台提升搜索相关性和改善客户体验，通过快速提供他们感兴趣的选择，使其忠诚于平台并保留他们。

 

成本 – 众所周知的 

 

收入只是投资回报率计算的一部分；另一部分涉及谨慎的成本管理。人工智能项目的重大成本包括基础设施、建设人工智能团队和数据管理解决方案。

雇佣人工智能技能涉及到入职、提升技能以及补偿成本。一些组织会外包整个项目或需要特定技能集的项目的一部分，从而节省了前期费用。

然而，外部雇佣也带来了间接成本，内部人员在项目保持支持方面不具备良好的能力，从而导致对外部承包商在项目维护和额外成本方面的依赖。

人工智能可以应用于简化某些重复任务的情况，以减少人为错误，从而节约运营开销。

 

失败成本

 

让我们谈谈不常考虑的成本 – 牵扯到持续错误决策的成本。

1-10-100规则解释了“如何忽视一项成本会使损失扩大。预防成本可能应该优先考虑，因为防止一个缺陷比纠正一个缺陷要便宜得多。”

  

像这样的规则，错误决策选择的成本是重要的。这需要从一开始就建立设计思维的观点，包括项目范围和确定正确的人工智能机会以及相关风险。

因此，建立一个组织范围的风险评估框架对于解决诸多关切是至关重要的，如偏见、监管不足、透明度和问责制、数据隐私等。

 

PoC阶段的投资回报率估算

 

在构思阶段初步估算投资回报率有助于优先考虑项目。

在更深入地了解业务问题后，是时候讨论技术了。建议开始构建PoC，而不是等待理想环境 – 在该环境中，所有输入组件，如数据、算法、基础设施等都得到解决。

一旦开始开发PoC，就会逐渐认识到是否有可能扩展该项目。PoC有助于您在有限的预算和较短的时间内验证想法。

测试场或沙盒确保在投资大规模构建系统之前确认其价值提案。但是，并不要忽视在PoC阶段就要先考虑规模的方面，无论是在以下方面：

• 构建支持大规模数据的数据管道， 
• 需要昂贵计算资源的算法，或者 
• 应用程序将为其服务的用户数量。

这些维度的估计显示了人工智能解决方案将如何整合到组织的技术堆栈中。

如果PoC证明了投资的价值，那么项目将进入开发阶段。

值得注意的是，评估收入和成本因素是特定于业务模型的；因此，本文旨在帮助建立一种评估不同因素及其对投资回报率的影响的方法。

Vidhi Chugh是一名人工智能战略师和数字化转型领导者，致力于构建可扩展的机器学习系统。她是一位屡获殊荣的创新领导者、作家和国际演讲者。她的使命是让机器学习民主化，并为每个人打破术语，成为这一转型的一部分。