教育新闻网对于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，例如改善银行业的客户体验，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：
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。
Narayanan认为，可以显示积极成果的最成功的AI项目将涉及与数据工程师合作的数据科学家。这些员工的投入对于理解可衡量的回报指标至关重要，因为他们对AI系统可以做什么有最深的了解。
但是这些员工通常缺乏将技术优势与整体业务收益联系起来的见识，而这需要来自应用AI领域的主题专家。
业务领导者需要考虑这两种观点，才能真正了解他们今天从AI项目中可能会获得什么收益。这也将帮助他们准确地分析他们希望这些AI收益在未来看起来如何，并针对最终情况调整系统。
衡量AI投资回报率方面面临的挑战
分阶段评估投资回报率
马丁认为，为了成功地实现AI项目的回报，企业需要弄清楚如何测试其最初的假设，尝试AI系统以及尽快确定用例。
测试这些最初的试点项目是否成功，意味着在应用AI的任务中评估AI系统的性能。
衡量这些初始项目的成功甚至可能会以与AI涉及的技术挑战无关的方式出错。例如，如果一家企业实施了AI客户服务软件，并且由于无效的营销活动而仅向其介绍了几个用户，那么衡量AI系统的回报就变得更具挑战性。
这是因为AI系统可能设计得很完美，但是试点测试可能无法准确代表在整个组织中部署时所获得的任何回报是否会真正带来收益。
Martin认为，对于业务领导者来说，至关重要的一点是，一定不能在整个企业范围内大规模运行试点测试项目。只有仔细分析了几个试验性试点项目的结果之后，才能实施大型项目，例如彻底检查银行的欺诈检测系统。这与吴安德(Andrew Ng)的建议相吻合，即建议在6到12个月的时间内(而不是大规模的多年部署)拍摄第一个AI项目。
