你应该如何衡量AI投资回报率

对于AI的投资回报率，企业仍然不清楚。许多人认为AI就像其他任何软件解决方案一样：从理论上讲，回报应该是立竿见影的。但这种情况并非如此。此外，由于AI供应商往往会夸大其软件生成的结果，因此业务领导者常常被误认为ROI的路径要比AI的平滑得多。

实际上，要确定一个指标来可靠地衡量AI对企业的影响是非常困难的。

在本文中，我们更深入地探讨了业务领导者应如何考虑确定可帮助他们理解AI项目可能产生的回报的ROI指标。为此，我们通过对上个月在我们的行业人工智能播客中的三位专家的访谈来探索见解。

如何衡量AI投资回报率

在被认为是成功的之前，人工智能项目固有地包含着一定程度的不确定性和实验性。在少数AI用例中，为预计回报确定可衡量的指标可能相对简单。例如，在制造业的预测性维护应用中，企业可以将回报直接与维护成本的减少或机器停机时间的减少联系起来。

但是在其他应用程序中，例如改善业的客户体验，识别少量可靠的度量标准来衡量成功则更具挑战性。

除非企业对收益有清晰的了解，否则他们将有可能遭受AI投资损失的风险。确保AI项目具有可衡量指标的一种方法是选择一个已经存在非AI解决方案并且正在测量和跟踪结果的特定业务问题。

NVIDIA学习与感知研究副总裁Jan Kautz在我们之前的播客系列有关AI入门的访谈中接受了采访，他似乎同意，针对现有业务问题开发AI解决方案比衡量成功要容易得多。开发一个没有先例的全新AI用例：

在AI中进行全新的操作的危险在于，您实际上不知道自己在做什么是否正确，因为您没有什么可比拟的。我建议选择一个已经有一个现有系统的区域，以便您可以比较AI系统的结果，并知道您是否至少获得比现有系统更好的结果

业务领导者还需要了解，为了在整个组织中部署AI项目，他们不仅需要数据科学家，还需要数据工程师。数据科学家是那些为特定功能开发机器学习算法的人。

数据工程师通常承担在整个企业中实施解决方案的任务。这可能涉及确定现有数据基础结构是否以可持续的方式建立，这将使AI系统随着时间的推移在整个组织中平稳运行，或者devops流程能够维持AI项目。