Aujourd'hui plus que jamais, les organisations font confiance et investissent dans le potentiel de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML).
Selon l'IBM Global Artificial Intelligence Adoption Index 2022, 35 % des entreprises déclarent utiliser actuellement l'IA dans leurs opérations, et 42 % supplémentaires déclarent explorer l'IA. Parallèlement, une enquête McKinsey a révélé que 56 % des personnes interrogées ont déclaré avoir adopté l'IA dans au moins une fonction en 2021, contre 50 % en 2020.
Mais les investissements dans l'IA peuvent-ils générer un véritable retour sur investissement qui a un impact direct sur les résultats d'une entreprise ?
Selon la récente enquête REVElate de Domino Data Lab, menée auprès des participants à la conférence Rev3 à New York en mai, de nombreux visiteurs concernés semblaient penser donc. En fait, près de la moitié s’attendent à une croissance à deux chiffres de la science des données. Près de quatre cinquièmes des personnes interrogées (79 %) ont déclaré que la science des données, l’apprentissage automatique et l’intelligence artificielle seront essentiels à la croissance future globale de leur entreprise, 36 % les citant comme le facteur le plus critique.
Bien sûr, mettre en œuvre l’intelligence artificielle n’est pas facile. D’autres données d’enquête montrent un autre aspect d’une forte confiance. Par exemple, les données d'une enquête récente de la société d'ingénierie en intelligence artificielle CognitiveScale ont révélé que si les dirigeants savent que la qualité et le déploiement des données sont des facteurs clés de succès dans le développement réussi d'applications qui stimulent la transformation numérique, plus de 76 % d'entre eux ne savent pas comment mettre en œuvre un développement d'applications réussi dans 12-18 Atteindre l’objectif en quelques mois. De plus, 32 % des dirigeants ont déclaré qu’il fallait plus de temps que prévu pour mettre les systèmes d’IA en production.
Bob Picciano, PDG de Cognitive Scale, a déclaré aux médias que le retour sur investissement de l'intelligence artificielle est possible, mais il doit être décrit avec précision et personnalisé en fonction des objectifs commerciaux.
« Si l'objectif commercial est d'utiliser des données historiques pour établir des prévisions à plus long terme et améliorer la précision des prévisions, alors l'IA a un rôle à jouer », a-t-il déclaré. « Mais l'IA doit piloter l'efficacité commerciale de manière responsable - la précision des modèles de ML A. » Un taux de 98 % n'est pas suffisant. »
Au lieu de cela, le retour sur investissement pourrait être, par exemple, d'améliorer l'efficacité du centre d'appels avec des fonctionnalités basées sur l'IA garantissant une réduction du temps moyen de traitement des appels.
« Ce retour sur investissement est ce dont ils parlent dans la C-suite », explique-t-il. "Ils ne précisent pas si le modèle est précis, robuste ou dérive."
Shay Sabhikhi, co-fondateur et directeur de l'exploitation de Cognitive Scale, a ajouté que 76 % des personnes interrogées ont déclaré qu'il était difficile d'étendre leur investissement dans l'artificiel. intelligence. Pas surpris par cela. "C'est exactement ce que nous disent nos entreprises clientes", a-t-il déclaré. L’un des problèmes, a-t-il expliqué, réside dans les frictions entre les équipes de science des données et d’autres organisations qui ne savent pas quoi faire des modèles qu’elles développent.
Il a déclaré : « Ces modèles ont peut-être les meilleurs algorithmes et un meilleur rappel de précision, mais ils sont mis de côté car ils sont effectivement confiés à l'équipe de développement, qui doit ensuite créer l'application à la hâte
Cependant, à ce stade, les organisations doivent assumer la responsabilité de leurs investissements dans l’IA, car l’IA n’est plus une série d’expériences scientifiques, a noté Picciano. "Nous appelons cela passer du laboratoire à la vie", a-t-il déclaré. "J'étais à une réunion des responsables de l'analyse des données, et ils se demandaient tous : comment puis-je évoluer ? Comment industrialiser l'IA ?" la meilleure façon de mesurer si l’IA génère de la valeur dans une organisation. Nicola Morini Bianzino, directeur mondial de la technologie chez EY, a déclaré que mesurer l'IA et les entreprises par « cas d'utilisation », puis le mesurer par le retour sur investissement est une mauvaise façon de traiter l'IA.
Au lieu de cela, explique-t-il, les organisations doivent simplement utiliser l'IA partout. « C'est presque comme le cloud computing : il y a deux ou trois ans, j'ai eu de nombreuses conversations avec des clients où ils me demandaient : « Quel est le retour sur investissement ? Quel est mon argument commercial pour passer au cloud ? conversation Cela n’arrive plus. Tout le monde dit : « Je dois faire ça. » »
De plus, discuter de l’IA et du retour sur investissement dépend de ce que vous entendez par « utiliser l’IA ».
« Supposons que vous essayiez d'appliquer certaines capacités de conduite autonome, c'est-à-dire que la vision par ordinateur est une branche de l'intelligence artificielle », a-t-il déclaré. « Est-ce une analyse de rentabilisation ? Non, car la conduite autonome est impossible sans intelligence artificielle. Il en va de même pour des entreprises comme EY, qui ingèrent de grandes quantités de données et fournissent des conseils à leurs clients – ce qui est indissociable de l'IA. Il a déclaré : "C'est quelque chose que l'on ne peut pas séparer du processus - c'est intrinsèque
."De plus, par définition, l’IA n’est ni productive ni efficace dès le premier jour. L'obtention de données, la formation du modèle, l'évolution du modèle et la mise à l'échelle du modèle prennent du temps. "Ce n'est pas qu'un jour vous pourrez dire que j'en ai fini avec l'intelligence artificielle et que 100 % de la valeur est là - non, c'est une capacité continue qui s'améliorera avec le temps", a-t-il déclaré. de la valeur qui peut être générée. »
Bianzino a déclaré que dans une certaine mesure, l’intelligence artificielle fait désormais partie du coût des entreprises. « Si vous travaillez dans un secteur qui implique l’analyse de données, vous ne pouvez pas ne pas disposer de capacités d’IA », explique-t-il. "Pouvez-vous isoler l'analyse de rentabilisation de ces modèles ? C'est difficile et je ne pense pas que ce soit nécessaire. Pour moi, cela équivaut presque au coût d'infrastructure nécessaire à la gestion d'une entreprise
Kjell Carlsson." , responsable de la stratégie et du plaidoyer en matière de science des données chez Domino Data Lab, fournisseur de MLops d'entreprise, affirme qu'en fin de compte, ce que les entreprises veulent, c'est mesurer l'impact commercial du retour sur investissement – dans quelle mesure il contribue. Mais le problème est que cela peut être complètement déconnecté du travail nécessaire au développement du modèle.
« Donc, si vous créez un modèle qui augmente votre taux de clics d'un point de pourcentage, vous ajoutez des millions de dollars de bénéfices à l'entreprise », a-t-il déclaré. « Mais vous pouvez également créer un bon modèle de maintenance prédictive. Cela permet de fournir une alerte précoce lorsqu'une machine a besoin d'être réparée avant que cela ne se produise. "Dans ce cas, la valeur monétaire peut avoir un impact complètement différent sur l'organisation", même si l'un d'eux peut finir par être un problème plus difficile", a-t-il ajouté.
En général, les organisations ont vraiment besoin d’un « tableau de bord équilibré » pour suivre la production de l’IA. "Parce que si vous ne mettez rien en production, cela pourrait être le signe que vous avez un problème", a-t-il déclaré. « D'un autre côté, si vous investissez trop en production, cela peut également indiquer un problème.
Par exemple, plus une équipe de science des données déploie de modèles, plus elle doit gérer et maintenir de modèles. "Vous avez donc déployé tellement de modèles l'année dernière que vous ne pouviez pas réellement vous permettre ces autres modèles de grande valeur", a-t-il expliqué.
Mais un autre problème lié à la mesure du retour sur investissement de l'IA est que pour de nombreux projets de science des données, le résultat n'est pas un modèle qui entre en production. "Si vous souhaitez effectuer une analyse quantitative des profits et pertes des échanges de l'année dernière, vous devrez probablement procéder à une enquête statistique rigoureuse à ce sujet", a-t-il déclaré. "Mais sans qu'un modèle ne soit mis en production, vous exploitez l'IA pour obtenir les informations que vous obtenez en cours de route."
Pourtant, sans suivre les activités de science des données, les organisations ne peuvent pas mesurer le rôle. de l'intelligence artificielle. "L'un des problèmes actuels est qu'il y a très peu d'activités scientifiques de collecte et d'analyse des données", a déclaré Carlsson. "Si vous demandez aux gens, ils vous diront qu'ils ne savent vraiment pas à quel point leurs modèles fonctionnent, ni combien de projets ils ont, ni combien de CodeCommits vos data scientists ont terminé la semaine dernière
L'une des raisons est que les données." les scientifiques doivent utiliser des outils très indépendants. "C'est l'une des raisons pour lesquelles Git gagne en popularité en tant que référentiel, source unique de vérité pour les data scientists d'une organisation", explique-t-il. Les outils MLops comme Domino Data Lab fournissent une plate-forme pour prendre en charge ces différents outils. Il a déclaré : « La mesure dans laquelle les organisations peuvent créer ces plates-formes plus centralisées... est importante.
Le PDG et fondateur de Wallaroo, Vid Jain, était chez Merrill Lynch. Ayant été au plus haut niveau -activité de trading de fréquences depuis près d'une décennie, il a déclaré que chez Merrill Lynch, son rôle est de déployer l'apprentissage automatique à grande échelle et d'y parvenir avec un retour sur investissement positif.
Le véritable défi n'est pas de développer la science des données et de nettoyer les données ou de les construire. référentiels transactionnels (maintenant appelés lacs de données). Le plus grand défi jusqu'à présent, a-t-il déclaré, est de prendre ces modèles, de les rendre opérationnels et de fournir de la valeur commerciale.
« Atteindre un retour sur investissement est énorme », a-t-il déclaré. Ils ne génèrent pas de retour sur investissement, ou ils ne génèrent pas suffisamment de retour sur investissement pour que l'investissement en vaille la peine. « Mais c’est au premier plan des préoccupations de chacun. La réponse n’est pas la même. "
Un problème fondamental, a-t-il expliqué, est que beaucoup de gens croient qu'opérer sur l'apprentissage automatique n'est pas si différent de fonctionner sur une application standard. Il y a une grande différence, a-t-il ajouté, car l'intelligence artificielle n'est pas statique
Il. a déclaré : « C'est presque comme s'occuper d'une ferme parce que les données sont vivantes, les données changent, et vous n'avez pas encore fini. « Ce n’est pas comme si vous construisiez un algorithme de recommandation et que le comportement d’achat des gens était alors figé dans le temps. Les gens ont changé leur façon d’acheter. Du coup, votre concurrent bénéficie d’une promotion. Les consommateurs arrêtent d’acheter chez vous. Ils se tournèrent vers leurs concurrents. Il faut l'entretenir régulièrement.
En fin de compte, chaque organisation doit décider comment aligner sa culture sur l'objectif ultime de permettre l'IA. « Ensuite, vous devez vraiment donner aux gens les moyens de mener cette transformation, puis permettre à ceux qui s'intéressent à vos personnes existantes dont les secteurs d'activité sont. ils ont le sentiment critique qu’ils tireront une certaine valeur de l’IA. »
Il a ajouté que la plupart des entreprises en sont encore à leurs balbutiements. "Je ne pense pas que la plupart des entreprises en soient encore là, mais j'ai définitivement constaté un changement au cours des 6 à 9 derniers mois où les gens commencent à prendre au sérieux les résultats commerciaux et la valeur commerciale
Cependant, comment mesurer le ROI de l’IA reste une question insaisissable pour de nombreuses organisations. "Pour certaines entreprises, il y a des problèmes fondamentaux, comme elles ne peuvent même pas mettre leur modèle en production, ou elles le peuvent mais elles sont aveugles, ou elles réussissent mais veulent maintenant évoluer", a déclaré Jain. "Mais en termes de retour sur investissement, l'apprentissage automatique n'a souvent pas de P&L associé
Il a expliqué que les initiatives d'IA font souvent partie d'un centre d'excellence et que le retour sur investissement appartient aux unités commerciales, alors que dans d'autres cas, c'est le cas." difficile à mesurer.
"La question est la suivante : l'IA fait-elle partie de l'entreprise ? Ou est-ce un utilitaire ? Si vous êtes un natif du numérique, l'IA peut faire partie du carburant qui fait fonctionner l'entreprise", a-t-il déclaré. "Mais dans une grande organisation qui a une activité existante ou qui est en transition, comment mesurer le retour sur investissement est une question fondamentale à résoudre
."Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Application de l'intelligence artificielle dans la vie
Quel est le concept de base de l'intelligence artificielle
Les fichiers de programme peuvent-ils être supprimés ?
Comment configurer l'hibernation dans le système Win7
Séquence de déduction des paiements WeChat
Quels protocoles le protocole SSL inclut-il ?
Comment comparer le contenu des fichiers de deux versions dans git
Quelles sont les méthodes d'appel de la réflexion Java
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
