人工知能と ROI についての真実: 人工知能は本当に実現できるのでしょうか?
今日、組織はこれまで以上に人工知能 (AI) と機械学習 (ML) の可能性を信頼し、投資しています。
2022 年の IBM グローバル人工知能導入指数によると、企業の 35% が現在業務に人工知能を使用していると報告し、さらに 42% が人工知能を検討していると回答しました。一方、マッキンゼーの調査によると、回答者の56%が2021年に少なくとも1つの業務にAIを導入したと回答し、2020年の50%から増加した。
しかし、AI への投資は、企業の収益に直接影響を与える真の ROI を実現できるのでしょうか?
Domino Data Lab の最近の REVElate 調査によると、この調査は、ニューヨーク市で開催された Rev3 カンファレンスの参加者を対象に行われました。 5 月 参加者にアンケートをとったところ、多くの回答者がそう考えているようでした。実際、半数近くがデータ サイエンスの 2 桁の成長を期待しています。回答者のほぼ 5 分の 4 (79%) が、データ サイエンス、機械学習、人工知能が会社全体の将来の成長にとって重要であると回答し、36% がそれを最も重要な要素として挙げています。
もちろん、人工知能の実装は簡単ではありません。他の調査データは、強い自信を示す別の側面を示しています。たとえば、人工知能エンジニアリング会社 CognitiveScale の最近の調査データによると、経営幹部はデータの品質と展開がデジタル変革のためのアプリケーション開発を成功させるための重要な成功要因であることを知っているものの、76% 以上の経営幹部がアプリケーション開発を成功させる方法を確信していないことがわかりました。 12-18 数か月以内に目標を達成します。さらに、経営幹部の 32% は、AI システムを本番環境に導入するのに予想よりも時間がかかっていると回答しました。
AI は責任を負わなければなりません
Cognitive Scale の CEO である Bob Picciano 氏はメディアに対し、人工知能による ROI は可能だが、それはビジネス目標の説明とパーソナライゼーションに従って正確に測定する必要があると語った。
「ビジネス目標が履歴データを使用して長期予測を立て、予測精度を向上させることである場合、AI が果たすべき役割があります。しかし、AI は責任を持ってビジネス効率を推進する必要があります。そうではありません」と同氏は述べました。
代わりに、ROI としては、たとえば、AI 主導の機能により平均通話処理時間の短縮を保証し、コールセンターの効率を向上させることが考えられます。
「この ROI は経営幹部の間で話されることです」と彼は説明します。 「彼らは、モデルが正確か、堅牢か、それとも変動しているかについては話していません。」
Cognitive Scale の共同創設者兼最高執行責任者である Shay Sabhikhi 氏は、回答者の 76% が拡張は難しいと答えたと付け加えました。人工知能における彼らの取り組みについて、彼は驚きませんでした。 「それはまさに私たちが企業顧客から聞いていることです」と彼は言いました。問題の 1 つは、データ サイエンス チームと、開発したモデルをどうすればよいか分からない他の組織との間の摩擦である、と同氏は説明しました。
彼はこう言いました:「これらのモデルは最高のアルゴリズムと正確なリコールを備えているかもしれませんが、基本的に開発チームに投げ込まれ、その後急いでアプリケーションを組み立てなければならないため、棚上げされています。」
しかし、AI はもはや一連の科学実験ではないため、現時点では組織は AI への投資に責任を負わなければならない、とピッチャーノ氏は指摘しました。 「私たちはこれを研究室から生活への移行と呼んでいます」と彼は言いました。 「私は最高データ分析責任者の会議に出席していましたが、彼らは皆、どのように拡張すればよいのか、AI を産業化するにはどうすればよいのかを尋ねていました。」
ROI は AI にとって適切な指標ですか?
しかし、 AI が組織の価値を推進しているかどうかを測定する最良の方法が ROI であることに誰もが同意しているわけではありません。 EYのグローバル最高技術責任者であるニコラ・モリーニ・ビアンジーノ氏は、AIとビジネスを「ユースケース」を使って測定し、ROIで測定するのがAIの扱い方である、間違った方法だと述べた。
「私にとって、AI は、関連する ROI 分析からユースケースを分離することなく、企業内のほぼどこにでも導入できるテクノロジーのセットです。」と彼は言いました。
その代わりに、組織はどこでも AI を使用する必要があるだけだと彼は説明しました。 「これはほぼクラウド コンピューティングのようなもので、2 ~ 3 年前、私は顧客と多くの会話をしました。そこで彼らは『ROI は何ですか? クラウドに移行するためのビジネス ケースは何ですか? パンデミック後の今、その会話はどうですか? 「それはもう起こりません。誰もが『これをしなければならない』と言います。」 さらに、ビアンジーノ氏は、AI と ROI について議論することは、「AI を使用する」ということが何を意味するかによって決まると述べました。
「自動運転機能を適用しようとしているとします。つまり、コンピュータ ビジョンは人工知能の一分野です。これはビジネス ケースですか? いいえ、それはできないからです」と彼は言いました。同じことがEYのような企業にも当てはまります。これらの企業は、すべて人工知能を使用せずに、膨大な量のデータを吸収し、顧客に推奨事項を作成します。 「それはプロセスから切り離すことができないものであり、本質的なものです」と彼は言いました。
さらに、定義上、AI は初日から生産的でも効率的でもありません。データの取得、モデルのトレーニング、モデルの進化、モデルのスケーリングにはすべて時間がかかります。 「ある日突然、人工知能は終わったと言えるわけではありません。価値の 100% がそこにあります。いいえ、それは継続的な機能であり、時間の経過とともに改善されます。」と彼は言いました。
ビアンジーノ氏は、人工知能はある程度、ビジネスコストの一部になりつつあると述べた。 「データ分析に関わる業界にいるなら、AI 機能を持たないわけにはいきません」と彼は説明します。 「これらのモデルのビジネス ケースを切り分けてもらえますか? それは難しいし、その必要もないと思います。私にとって、それはビジネスを運営するためのインフラストラクチャ コストに近いものです。」
AI の ROI 測定するのは難しい
エンタープライズ MLops プロバイダーである Domino Data Lab のデータ サイエンス戦略およびアドボカシーの責任者である Kjell Carlsson 氏は、企業が最終的に望んでいるのは、ROI がビジネスにどれだけ貢献するかを測定することであると述べています。しかし、問題の 1 つは、これがモデルの開発に費やされた作業から完全に切り離されてしまう可能性があることです。
「つまり、クリックスルー率を 1 パーセントポイント増加させるパターンを作成すれば、ビジネスに数百万ドルの利益が追加されることになります。しかし、適切な予測を立てることもできます」と彼は言いました。 「性的保守モデルは、機械の修理が必要になる前に早期に警告を発するのに役立ちます。」この場合、金銭的価値は組織にまったく異なる影響を与える可能性があり、「たとえそのうちの1つがより困難な問題になる可能性があるとしても」と彼は付け加えた。
一般に、組織は AI の生産状況を追跡するために「バランス スコアカード」を必要とします。 「なぜなら、本番環境に何も入れていない場合、それは問題があることを示している可能性があるからです」と彼は言いました。 「一方で、本番環境に多くのことを投入しすぎると、それは問題を示している可能性もあります。」
たとえば、データ サイエンス チームがデプロイするモデルが増えるほど、管理および保守する必要があるモデルも増えます。 「昨年は非常に多くのモデルを導入したため、実際には他の高価値モデルを購入する余裕がなかったのですね」と同氏は説明した。
しかし、AI ROI の測定に関するもう 1 つの問題は、多くのデータ サイエンス プロジェクトにおいて、結果が実稼働環境に入るモデルではないことです。同氏は、「昨年の取引の定量的な損益分析をしたいのであれば、おそらくそれについて厳密な統計調査を行う必要があるだろう」と述べた。 「しかし、モデルが本番環境に導入されなければ、途中で得られる洞察を得るために AI を活用することになります。」
データ サイエンス活動を追跡する必要がある
それでも、追跡しない場合は、データ サイエンス活動では、組織は AI の影響を測定できません。 「現在の問題の 1 つは、実際にデータを収集して分析するデータ サイエンス活動がほとんどないことです」とカールソン氏は述べています。 「人々に尋ねると、自分のモデルのパフォーマンスがどの程度なのか、プロジェクトがどれだけあるのか、データ サイエンティストが先週完了した CodeCommit の数がどれくらいなのか、本当にわからないと言うでしょう。」
理由はデータです 科学者は非常に無関係なツールを使用する必要があります。 「これが、組織内のデータ サイエンティストにとって唯一の信頼できる情報源であるリポジトリとして Git の人気が高まっている理由の 1 つです」と彼は説明します。 Domino Data Lab などの MLops ツールは、これらのさまざまなツールをサポートするプラットフォームを提供します。 「組織がこうした一元化されたプラットフォームをどの程度構築できるかが重要だ。人々が最も懸念しているのは人工知能の影響だ」と同氏は語った。リンチ氏は 10 年近く勤務しており、メリルリンチでの役割は、機械学習を大規模に導入し、プラスの ROI を達成することであったと述べています。
本当の課題は、データ サイエンスの開発、データのクリーニング、トランザクションの構築ではありませんこれまでのところ最大の課題は、これらのモデルを採用し、運用可能にし、ビジネス価値を提供することだと彼は言いました。 AI プロジェクトは ROI を生み出さないか、投資の価値を生むには不十分な ROI しか生み出しません。 「しかし、それは誰もが頭の中に抱えているものです。答えは同じではありません。 "
基本的な問題は、多くの人が機械学習での操作が標準アプリケーションでの操作とそれほど変わらないと信じていることだと同氏は説明しました。大きな違いがあります。なぜなら、AI は静的ではないからです。」と彼は付け加えました。
彼はこう言いました。「データは生きており、データは変更されても、まだ作業が終わっていないため、農場の世話をするようなものです。 「推奨アルゴリズムを構築したら、人々の購買行動が時間とともに凍結されるわけではありません。人々の購入方法が変わりました。突然、競合他社が昇進を果たしました。消費者はあなたから買わなくなります。彼らは競合他社に目を向けました。定期的にメンテナンスする必要があります。
最終的には、各組織は、AI を実現するという最終目標に合わせて自社の文化をどのように調整するかを決定する必要があります。「次に、その変革を推進するために人々に権限を与え、既存の企業にとって重要な人々に権限を与えなければなりません。」ビジネス部門は AI から何らかの価値を得られると感じています。 「
同氏は、ほとんどの企業はまだ初期段階にあると付け加えた。 「ほとんどの企業がまだそこまで到達していないと思いますが、ここ 6 ~ 9 か月で人々が業績とビジネス価値を真剣に受け止め始めている変化を私は間違いなく目にしました。」
人工知能の ROI依然としてとらえどころのない
しかし、AI の ROI をどのように測定するかは、多くの組織にとって依然としてとらえどころのない問題です。 「一部の企業には、モデルを実稼働環境に導入することさえできない、あるいは、導入できるが盲目である、または成功したがスケールしたいなど、根本的な問題があります」と Jain 氏は述べています。 「しかし、ROI の観点から見ると、機械学習には損益が関連付けられていないことがよくあります。」
同氏は、AI への取り組みはセンター オブ エクセレンスの一部であることが多く、ROI は事業部門が所有するものであると説明しました。一方、それを測定するのは難しい場合もあります。
「問題は、AI はビジネスの一部ですか? それとも公益事業ですか? あなたがデジタル ネイティブであれば、AI はビジネスを運営する燃料の一部である可能性があります。」と彼は言いました。 「しかし、従来のビジネスを抱えている、または変革を進めている大規模な組織では、投資収益率をどのように測定するかが解決すべき根本的な問題です。」
以上が人工知能と ROI についての真実: 人工知能は本当に実現できるのでしょうか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック

このサイトは6月27日、JianyingはByteDanceの子会社であるFaceMeng Technologyによって開発されたビデオ編集ソフトウェアであり、Douyinプラットフォームに依存しており、基本的にプラットフォームのユーザー向けに短いビデオコンテンツを作成すると報告しました。 Windows、MacOS、その他のオペレーティング システム。 Jianyingは会員システムのアップグレードを正式に発表し、インテリジェント翻訳、インテリジェントハイライト、インテリジェントパッケージング、デジタルヒューマン合成などのさまざまなAIブラックテクノロジーを含む新しいSVIPを開始しました。価格的には、クリッピングSVIPの月額料金は79元、年会費は599元(当サイト注:月額49.9元に相当)、継続月額サブスクリプションは月額59元、継続年間サブスクリプションは、年間499元(月額41.6元に相当)です。さらに、カット担当者は、ユーザーエクスペリエンスを向上させるために、オリジナルのVIPに登録している人は、

検索強化生成およびセマンティック メモリを AI コーディング アシスタントに組み込むことで、開発者の生産性、効率、精度を向上させます。 JanakiramMSV 著者の EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG から翻訳。基本的な AI プログラミング アシスタントは当然役に立ちますが、ソフトウェア言語とソフトウェア作成の最も一般的なパターンに関する一般的な理解に依存しているため、最も適切で正しいコードの提案を提供できないことがよくあります。これらのコーディング アシスタントによって生成されたコードは、彼らが解決する責任を負っている問題の解決には適していますが、多くの場合、個々のチームのコーディング標準、規約、スタイルには準拠していません。これにより、コードがアプリケーションに受け入れられるように修正または調整する必要がある提案が得られることがよくあります。

大規模言語モデル (LLM) は巨大なテキスト データベースでトレーニングされ、そこで大量の現実世界の知識を取得します。この知識はパラメータに組み込まれており、必要なときに使用できます。これらのモデルの知識は、トレーニングの終了時に「具体化」されます。事前トレーニングの終了時に、モデルは実際に学習を停止します。モデルを調整または微調整して、この知識を活用し、ユーザーの質問により自然に応答する方法を学びます。ただし、モデルの知識だけでは不十分な場合があり、モデルは RAG を通じて外部コンテンツにアクセスできますが、微調整を通じてモデルを新しいドメインに適応させることが有益であると考えられます。この微調整は、ヒューマン アノテーターまたは他の LLM 作成物からの入力を使用して実行され、モデルは追加の実世界の知識に遭遇し、それを統合します。

AIGC について詳しくは、51CTOAI.x コミュニティ https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou を参照してください。これらの質問は、インターネット上のどこでも見られる従来の質問バンクとは異なります。既成概念にとらわれずに考える必要があります。大規模言語モデル (LLM) は、データ サイエンス、生成人工知能 (GenAI)、および人工知能の分野でますます重要になっています。これらの複雑なアルゴリズムは人間のスキルを向上させ、多くの業界で効率とイノベーションを推進し、企業が競争力を維持するための鍵となります。 LLM は、自然言語処理、テキスト生成、音声認識、推奨システムなどの分野で幅広い用途に使用できます。 LLM は大量のデータから学習することでテキストを生成できます。

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

編集者 | KX 医薬品の研究開発の分野では、タンパク質とリガンドの結合親和性を正確かつ効果的に予測することが、医薬品のスクリーニングと最適化にとって重要です。しかし、現在の研究では、タンパク質とリガンドの相互作用における分子表面情報の重要な役割が考慮されていません。これに基づいて、アモイ大学の研究者らは、初めてタンパク質の表面、3D 構造、配列に関する情報を組み合わせ、クロスアテンション メカニズムを使用して異なるモダリティの特徴を比較する、新しいマルチモーダル特徴抽出 (MFE) フレームワークを提案しました。アライメント。実験結果は、この方法がタンパク質-リガンド結合親和性の予測において最先端の性能を達成することを実証しています。さらに、アブレーション研究は、この枠組み内でのタンパク質表面情報と多峰性特徴の位置合わせの有効性と必要性を実証しています。 「S」で始まる関連研究

7月5日のこのウェブサイトのニュースによると、グローバルファウンドリーズは今年7月1日にプレスリリースを発行し、自動車とインターネットでの市場シェア拡大を目指してタゴール・テクノロジーのパワー窒化ガリウム(GaN)技術と知的財産ポートフォリオを買収したことを発表した。モノと人工知能データセンターのアプリケーション分野で、より高い効率とより優れたパフォーマンスを探求します。生成 AI などのテクノロジーがデジタル世界で発展を続ける中、窒化ガリウム (GaN) は、特にデータセンターにおいて、持続可能で効率的な電力管理のための重要なソリューションとなっています。このウェブサイトは、この買収中にタゴール・テクノロジーのエンジニアリングチームがGLOBALFOUNDRIESに加わり、窒化ガリウム技術をさらに開発するという公式発表を引用した。 G
