چگونه ROI پروژه های هوش مصنوعی خود را در شرایط رکود ارزیابی کنیم

همانطور که شرکت ها برای محافظت از خود در برابر رکود اقتصادی تلاش می کنند، انواع پروژه ها تحت تأثیر قرار می گیرند. و هوش مصنوعی کاربردی (AI) نیز از این قاعده مستثنی نیست.

قبل از رکود، صنعت هوش مصنوعی از هجوم طلا لذت می برد و شرکت ها پول زیادی را برای استعدادها، تحقیقات و پروژه های یادگیری ماشین (ML) سرازیر می کردند. در حالی که این تلاش‌ها به ثمر نشسته است و می‌توان آن را در برنامه‌هایی که ما هر روز از آن استفاده می‌کنیم، مشاهده کرد، بسیاری از این سرمایه‌گذاری‌ها به دلیل تبلیغات ناموجه در اطراف هوش مصنوعی بود.

از آنجایی که سازمان‌ها ابتکارات هوش مصنوعی خود را با شرایط جدید بازار تطبیق می‌دهند، در اینجا انتظار می‌رود.

اندازه گیری بازگشت سرمایه برای پروژه های هوش مصنوعی

آناند رائو، مدیر هوش مصنوعی جهانی در PwC، به VentureBeat گفت: «حتی قبل از رکود، ما در مورد ROI در پروژه‌های هوش مصنوعی صحبت می‌کردیم. در حالی که ROI یک نگرانی برای پذیرش هر فناوری است، تفاوت هوش مصنوعی، برخلاف سایر فناوری‌ها مانند ابر، این است که شما در مورد پیش‌بینی صحبت می‌کنید.

چگونه ارزش پیش بینی را اندازه گیری می کنید؟ اکثر شرکت ها از مدل های یادگیری ماشینی نظارت شده استفاده می کنند، به این معنی که آنها مدل های خود را بر روی نمونه هایی آموزش می دهند که توسط متخصصان انسانی برچسب گذاری شده است. سپس درصد دقت مدل با مقایسه پیش‌بینی‌های آن با حقیقت زمینی مشخص‌شده توسط تفسیرگرهای انسانی اندازه‌گیری می‌شود. با این حال، همه معیارهای دقت برابر نیستند.

رائو گفت: «در بسیاری از سازمان‌ها، این بهترین فرد نیست که برچسب‌گذاری را انجام می‌دهد. به عنوان مثال، هنگامی که یک موسسه مالی در حال ایجاد یک مدل ML برای تصمیم‌گیری‌های پذیره‌نویسی است، داشتن نمونه‌های آموزشی از بهترین بیمه‌گران، نتیجه بهتری نسبت به اینکه یک کارآموز در اوقات فراغت خود برچسب‌گذاری را انجام دهد، خواهد داشت. این بسیار مهم است زیرا مدلی با (مثلاً) دقت 95 درصد ارزشمندتر از مدلی با درصد دقت پایین تر است.

رائو گفت: «یک عارضه نیز وجود دارد که در آن شما عملکرد انسان را به همان دقتی که عملکرد هوش مصنوعی را اندازه‌گیری می‌کنید، اندازه‌گیری نمی‌کنید. «شما واقعاً نمی دانید که آیا همه بیمه گران شما با دقت سیستم هوش مصنوعی شما مطابقت دارند یا خیر. اگر این کار را نکنند، هوش مصنوعی شما بسیار بهتر از آن چیزی است که در ابتدا تصور می‌کردید.»

و در نهایت، سازمان‌ها باید هزینه پیش‌بینی‌های اشتباه را نیز در نظر بگیرند، که به برنامه، محیط، مشتریان و بسیاری از عوامل دیگر بستگی دارد.

رائو گفت: «چالش اندازه‌گیری ROI الگوریتم‌های AI/ML همیشه وجود داشته است. ما به اقدامات دقیق تری نیاز داریم. اکنون، با رکود، بسیار مهم‌تر می‌شود که ما حس خوبی از بازگشت سرمایه در الگوریتم‌های ML/AI داشته باشیم.

با یک تصویر واضح تر از سودآوری پروژه های هوش مصنوعی خود، سازمان ها در موقعیت بهتری برای تصمیم گیری در مورد ادامه یا توقف آنها خواهند بود.

رویکرد نمونه کارها هوش مصنوعی

هوش مصنوعی برای حفظ مزیت رقابتی در بسیاری از صنایع، حتی در دوران رکود، مهم باقی خواهد ماند. اما شرکت ها باید استراتژی های هوش مصنوعی خود را با شرایط اقتصادی تنظیم کنند. و این می تواند با تغییر در نحوه درک یک شرکت از پروژه های هوش مصنوعی شروع شود.

“مدیران دوست دارند به هر پروژه نگاه کنند و بپرسند، ROI برای این موتور توصیه یا این فناوری NLP چیست؟” رائو گفت. اندازه‌گیری بازگشت سرمایه در آن سطح، پروژه به پروژه، رویکرد درستی نیست. شما می‌خواهید بگویید، “این پروژه هیچ ROI نداشت، بنابراین بیایید در آینده از انجام این نوع کارها دست برداریم.”

رائو آنچه را که “رویکرد نمونه کارها” می نامد توصیه می کند. به جای اندازه‌گیری موفقیت پروژه‌های هوش مصنوعی بر اساس پروژه به پروژه، شرکت‌ها باید به ابتکار هوش مصنوعی خود به عنوان مجموعه‌ای از پروژه‌های هوش مصنوعی نگاه کنند.

برخی از پروژه ها بر اساس مدل های ML خواهند بود که توسط رقبا آزمایش شده و کارایی آنها ثابت شده است. اینها میوه های کم آویزان هوش مصنوعی کاربردی هستند. آنها شانس بالایی برای موفقیت دارند و به راحتی پذیرفته می شوند. رائو آنها را “پروژه های هوش مصنوعی مولد ROI” می نامد.

پروژه‌های دیگر بر روی آزمایش با پیشرفته‌ترین هوش مصنوعی، مانند مدل‌های زبان بزرگ، کاوش در فناوری‌های جدید، و انگیزه نگه داشتن دانشمندان داده‌های شما برای عبور از مرزها تمرکز خواهند کرد. این نوع پروژه ها شانس موفقیت کمتری دارند اما در صورت موفقیت می توانند بازده بیشتری داشته باشند.

رائو گفت: “شما به مجموعه ای نیاز دارید که در آن برخی از پروژه ها جدید باشند، برخی فقط انواع تعمیر و نگهداری باشند، برخی کارهایی هستند که دیگران انجام داده اند.” “شما آزمایش های زیادی انجام می دهید، و شاید از 10، سه آزمایش موفق شوند. و آنها بازدهی بسیار بیشتری نسبت به کل 10 مجموع خواهند داشت.”

مدیران اجرایی همچنین باید به معاوضه ریسک/بازده پروژه های هوش مصنوعی خود توجه داشته باشند. این بدان معناست که مدیران هوش مصنوعی به جای انتخاب مدل‌ها بر اساس دقت، باید به طیف وسیعی از ویژگی‌ها از جمله انصاف، توضیح‌پذیری، استحکام و ایمنی نگاه کنند. به عنوان مثال، فناوری تشخیص چهره با حریم خصوصی و خطرات اخلاقی همراه است که باید با مزایای این فناوری سنجیده شود.

رائو گفت: «من فکر می‌کنم رویکرد پورتفولیو شروع به کار خواهد کرد، به‌ویژه در شرایط رکودی که مردم در مورد ارزش هوش مصنوعی پرس و جو می‌کنند. ما تقریباً در حال بلوغ از یک فناوری «سریع» با هیاهو به رویارویی با واقعیت هستیم و بیشتر با فناوری سنتی تثبیت می‌شویم و سختگیری لازم برای پذیرش گسترده را دریافت می‌کنیم.»

حباب استعدادهای فناوری

در چند سال گذشته شاهد ورود عظیمی از دانشمندان داده و مهندسان یادگیری ماشین به بخش‌های مختلف بوده‌ایم. تقاضای فزاینده برای استعدادهای هوش مصنوعی حبابی را ایجاد کرده است که در آن شرکت های فناوری دستمزدهای هنگفتی ارائه می دهند. همانطور که شرکت ها با رکود دست و پنجه نرم می کنند، تعدیل وجود خواهد داشت.

«مردم نه تنها از خارج بلکه از داخل صنعت فناوری برای استعداد هوش مصنوعی خود پول زیادی دریافت کردند. آنها از یک شرکت به شرکت دیگر رفتند و برگشتند و دائماً با پیشنهادهای بزرگتر تغییر می کردند. حقوق ها و غرامت ها دائما در حال افزایش بود. در سال گذشته، فشار زیادی بر صنعت فناوری وارد شده است. علاوه بر کنار گذاشتن مشاغل، استعدادهای فنی نیز انجماد دارند. ما شاهد ترکیدن حباب استعدادهای فناوری هستیم.»

با کاهش سرعت اقتصاد، بسیاری از سازمان‌ها شروع به این سوال کرده‌اند که آیا با سرمایه‌گذاری عظیمی که در به دست آوردن و حفظ استعدادهای هوش مصنوعی انجام می‌دهند، بازدهی را که می‌خواهند دریافت می‌کنند. آیا آنها افزایش درآمد قابل اندازه گیری دریافت می کنند؟ اگر فقط نیمی از مهندسان هوش مصنوعی/ML خود را حفظ کنند، آیا درآمد آنها به نصف کاهش می یابد؟

“سوالی که پرسیده می شود این است: ارزشی که آنها اضافه می کنند دقیقاً چیست؟” رائو گفت. تمرکز شدیدی بر ROI و همچنین بهره‌وری افراد AI/ML با توجه به حقوق آنها وجود دارد.

رائو معتقد است، همانطور که مدیران ارشد شروع به پرسیدن سوالاتی در مورد بهره وری مهندسی AI/ML می کنند، سرعت استخدام کاهش می یابد. در همان زمان، شرکت‌ها باید به تابلوی نقشه برگردند و راه‌هایی را برای اندازه‌گیری بازگشت سرمایه (ROI) پروژه‌های هوش مصنوعی خود بیابند و تعیین کنند که چه مقدار از درآمد حاصل از AI/ML است.

جنبه درخشان حباب استعدادهای فناوری در حال ترکیدن این است که استخر استعدادهای هوش مصنوعی برای سایر صنایع بسیار قابل دسترس تر خواهد شد.

«پیش از این، مدیر محصول در یک شرکت بزرگ فناوری برای فردی با پیشینه CS یا MBA یک شغل رویایی بود. حالا آنها دارند نگاه می کنند فراتر شرکت های فناوری به دلیل اینکه جذب زیادی وجود ندارد از جانب شرکت های فناوری، “رائو گفت. فرار مغزها از سایر بخش ها به سمت فناوری در حال معکوس شدن است. به نوعی، داشتن آن اصلاح خوب است. ما قبلا در یک حباب تورمی بودیم. اکنون این در حال تبدیل شدن به یک مدل منطقی تر از غرامت در سراسر جهان است.”