AI ve ROI hakkındaki gerçek: Yapay zeka gerçekten sunabilir mi?


Transform 2022’yi 19 Temmuz’da ve neredeyse 20 – 28 Temmuz’da geri getirmekten heyecan duyuyoruz. Bilgili görüşmeler ve heyecan verici ağ oluşturma fırsatları için yapay zeka ve veri liderlerine katılın. Bugün kayıt Ol!


Kuruluşlar, güvenlerini ve yatırımlarını yapay zeka (AI) ve makine öğrenimi (ML) potansiyeline her zamankinden daha fazla koyuyor.

Göre 2022 IBM Küresel Yapay Zeka Benimseme Endeksi, şirketlerin %35’i işlerinde bugün yapay zeka kullandığını bildirirken, ek %42’si yapay zekayı keşfettiklerini söylüyor. Bu arada, bir McKinsey anketiAnkete katılanların %56’sının, 2020’de %50’den 2021’de en az bir işlevde yapay zekayı benimsediklerini bildirdiklerini tespit ettiler.

Ancak yapay zekaya yapılan yatırımlar, bir şirketin kârlılığını doğrudan etkileyen gerçek bir yatırım getirisi sağlayabilir mi?

Domino Data Lab’in Mayıs ayında New York City’deki Rev3 konferansına katılanları araştıran son REVelate anketine göre, pek çok katılımcı böyle düşünüyor gibi görünüyor. Aslında neredeyse yarısı, veri biliminin bir sonucu olarak çift haneli büyüme bekliyor. Ankete katılan 5 kişiden 4’ü (%79), veri bilimi, makine öğrenimi ve yapay zekanın şirketlerinin gelecekteki genel büyümesi için kritik olduğunu söylerken, %36’sı bunu en kritik faktör olarak nitelendiriyor.

Yapay zekayı uygulamak elbette kolay bir iş değil. Diğer anket verileri, güven madalyonun başka bir yüzünü gösteriyor. Örneğin, son anket verileri AI mühendislik firması CognitiveScale tarafından, yöneticiler veri kalitesinin ve dağıtımın dijital dönüşümü sağlamak için başarılı uygulama geliştirme için kritik başarı faktörleri olduğunu bilmesine rağmen, %76’dan fazlasının 12-18 aylık hedeflerine nasıl ulaşacağından emin olmadığını tespit ediyor. Ek olarak, yöneticilerin %32’si bir yapay zeka sisteminin üretime alınmasının beklenenden daha uzun sürdüğünü söylüyor.

AI sorumlu olmalı

Bilişsel Ölçek CEO’su Bob Picciano VentureBeat’e verdiği demeçte, AI’dan yatırım getirisi mümkündür, ancak bir iş hedefine göre doğru bir şekilde tanımlanmalı ve kişileştirilmelidir.

“İş hedefi, geçmiş verilerle daha uzun vadeli tahmin ve daha yüksek tahmin doğruluğu elde etmekse, yapay zekanın devreye girebileceği yer burasıdır” dedi. “Ancak yapay zekanın iş verimliliğini artırmak için sorumlu olması gerekiyor – bir makine öğrenimi modelinin %98 doğru olduğunu söylemek yeterli değil.”

Bunun yerine, yatırım getirisi, örneğin, çağrı merkezi etkinliğini artırmak için, AI odaklı yeteneklerin ortalama çağrı işleme süresinin azaltılmasını sağlaması olabilir.

“C-suite’de konuşulan şey bu tür bir yatırım getirisi,” diye açıkladı. “Modelin doğru, sağlam veya sürüklenip sürüklenmediği hakkında konuşmuyorlar.”

Cognitive Scale’in kurucu ortağı ve COO’su Shay Sabhikhi, ankete katılanların %76’sının AI çabalarını ölçeklendirmede sorun yaşadıklarını bildirmelerine şaşırmadığını da sözlerine ekledi. “Kurumsal müşterilerimizden tam olarak bunu duyuyoruz,” dedi. Bir sorun, veri bilimi ekipleri ile geliştirdikleri modellerle ne yapacaklarını bilmeyen organizasyonun geri kalanı arasındaki sürtüşme olduğunu açıkladı.

“Bu modeller potansiyel olarak en iyi algoritmalara ve hassas geri çağırmaya sahip olabilir, ancak rafta duruyorlar çünkü tam anlamıyla geliştirme ekibine atılıyorlar ve daha sonra uygulamayı bir araya getirmeye çalışmak zorunda kalıyorlar” dedi.

Ancak bu noktada, kuruluşların AI’ya yaptıkları yatırımlardan sorumlu olmaları gerekiyor, çünkü AI artık bir dizi bilim deneyi değil, dedi Picciano. “Biz buna laboratuvardan hayata geçiş diyoruz” dedi. “Bir baş veri analitiği görevlisi konferansındaydım ve hepsi, nasıl ölçeklendirebilirim? Yapay zekayı nasıl sanayileştiririm?”

YG, AI için doğru ölçüm mü?

Ancak, AI’nın kuruluşta değer yaratıp yaratmadığını ölçmenin en iyi yolunun ROI olduğu konusunda herkes hemfikir değil. EY’nin küresel baş teknoloji sorumlusu Nicola Morini Bianzino’ya göre, yapay zekayı ve işletmeyi, daha sonra ROI ile ölçülen “kullanım durumları” açısından düşünmek, AI hakkında yanlış bir yol.

“Bana göre yapay zeka, kuruluş genelinde hemen hemen her yerde konuşlandırılacak bir dizi tekniktir – ilişkili ROI analizi ile bir kullanım durumunun izolasyonu olmayacak” dedi.

Bunun yerine kuruluşların yapay zekayı her yerde kullanmaları gerektiğini açıkladı. “Neredeyse iki veya üç yıl önce, ‘ROI nedir? Buluta geçmem için iş durumu nedir?’ Şimdi, pandemi sonrası, bu konuşma artık olmuyor. Herkes sadece ‘Yapmalıyım’ diyor.”

Ayrıca Bianzino, AI ve ROI’nin tartışılmasının “AI kullanmak” ile ne demek istediğinize bağlı olduğuna dikkat çekti.

“Diyelim ki, kendi kendine sürüş yeteneklerini uygulamaya çalışıyorsunuz – yani, yapay zekanın bir dalı olarak bilgisayar vizyonu” dedi. “Bu bir iş vakası mı? Hayır, çünkü yapay zeka olmadan kendi kendine sürüşü uygulayamazsınız.” Aynı şey, büyük miktarda veri alan ve müşterilere tavsiyelerde bulunan EY gibi bir şirket için de geçerlidir – ki bu yapay zeka olmadan yapılamaz. “Süreçten ayrı tutamayacağınız bir şey – sürecin içine yerleştirilmiş” dedi.

Ek olarak, yapay zeka, tanımı gereği, ilk gün üretken veya verimli değildir. Verileri elde etmek, modelleri eğitmek, modelleri geliştirmek ve modelleri büyütmek zaman alır. “Bir gün, AI ile işim bitti ve değerin %100’ü orada diyebileceğiniz bir gün değil – hayır, bu zamanla daha iyi hale gelen devam eden bir yetenek” dedi. Üretilebilecek değer açısından gerçekten bir son yok.”

Bianzino, yapay zekanın iş yapmanın maliyetinin bir parçası haline geldiğini söyledi. “Veri analizi içeren bir işteyseniz, yapay zeka yeteneklerine sahip olamazsınız” diye açıkladı. “Bu modellerin iş durumunu izole edebilir misiniz? Çok zor ve gerekli olduğunu düşünmüyorum. Bana göre bu, işinizi yürütmek için gereken altyapının bir maliyeti gibi görünüyor.”

AI’nın yatırım getirisini ölçmek zor

Kurumsal MLops sağlayıcısı Domino Data Lab’de veri bilimi stratejisi ve evangelizm başkanı Kjell Carlsson, günün sonunda, kuruluşların istediğinin ROI’nin iş etkisinin bir ölçüsü olduğunu söylüyor – kârlılığa ne kadar katkıda bulunduğu. Ancak bir sorun, bunun, modeli geliştirmek için ne kadar emek harcandığından oldukça kopuk olabilmesidir.

“Yani, tıklama dönüşümünü yüzde puanıyla iyileştiren bir model oluşturursanız, organizasyonun alt satırına birkaç milyon dolar eklemiş olursunuz” dedi. “Ama aynı zamanda, bakıma ihtiyacı olan bir makine parçasına gerçekleşmeden önce önceden uyarı verilmesine yardımcı olan iyi bir kestirimci bakım modeli de oluşturabilirdiniz.” Bu durumda, dolar değerinin kuruluş üzerindeki etkisi tamamen farklı olabilir, “bunlardan biri çok daha zor bir sorun haline gelse bile” diye ekledi.

Genel olarak, kuruluşların yapay zeka üretimini takip ettikleri bir “dengeli puan kartına” ihtiyaçları vardır. “Çünkü üretime herhangi bir şey almıyorsanız, bu muhtemelen bir sorununuz olduğunun işaretidir” dedi. “Öte yandan, üretime çok fazla giriyorsanız, bu da bir sorun olduğuna dair bir işaret olabilir.”

Örneğin, veri bilimi ekipleri ne kadar çok model kullanırsa, yönetme ve bakımını yapma konusunda o kadar çok modele ihtiyaç duyarlar, diye açıkladı. “Yani geçen yıl bu kadar çok modeli devreye soktunuz, bu yüzden yolunuza çıkan diğer yüksek değerli olanları gerçekten üstlenemezsiniz” diye açıkladı.

Ancak yapay zekanın yatırım getirisini ölçmenin bir başka sorunu da, birçok veri bilimi projesi için sonucun üretime giren bir model olmamasıdır. “Geçen yıldaki anlaşmaların nicel bir kazanç-kayıp analizi yapmak istiyorsanız, bunun hakkında titiz bir istatistiksel araştırma yapmak isteyebilirsiniz” dedi. “Ancak üretime girecek bir model yok, yol boyunca elde ettiğiniz içgörüler için yapay zekayı kullanıyorsunuz.”

Veri bilimi faaliyetleri izlenmelidir

Yine de, veri bilimi etkinlikleri izlenmezse, kuruluşlar yapay zekanın rolünü ölçemez. Carlsson, “Şu anda sorunlardan biri, çok az veri bilimi etkinliğinin gerçekten toplanıp analiz edilmesidir” dedi. “İnsanlara sorarsanız, modelin nasıl performans gösterdiğini, kaç projesi olduğunu ya da veri bilimcilerinizin geçen hafta içinde kaç CodeCommits yaptığını gerçekten bilmediklerini söylüyorlar.”

Bunun bir nedeni, veri bilimcilerinin kullanması gereken çok bağlantısız araçlardır. “Git’in bir depo, bir kuruluştaki veri bilimciniz için tek bir gerçek kaynağı olarak giderek daha popüler hale gelmesinin nedenlerinden biri de bu,” diye açıkladı. Domino Data Lab gibi MLops araçları, bu farklı araçları destekleyen platformlar sunar. “Kuruluşların bu daha merkezi platformları ne ölçüde oluşturabilecekleri… önemli” dedi.

AI sonuçları akılda kalır

Wallaroo CEO’su ve kurucusu Vid Jain, Merrill Lynch’deki yüksek frekanslı ticaret işinde on yıla yakın bir süre geçirdi ve rolünün, makine öğrenimini geniş ölçekte dağıtmak ve bunu olumlu bir yatırım getirisi ile yapmak olduğunu söyledi.

Zorluk aslında veri bilimini geliştirmek, verileri temizlemek veya şimdi veri gölleri olarak adlandırılan ticaret depolarını oluşturmak değildi. Şimdiye kadarki en büyük zorluğun bu modelleri almak, operasyonel hale getirmek ve iş değerini sunmak olduğunu söyledi.

“Yatırımın geri dönüşünü sağlamak çok zor görünüyor – bu yapay zeka girişimlerinin %90’ı kendi YG’lerini üretmiyor veya yatırıma değecek kadar yeterli YG üretmiyor” dedi. “Ama bu herkesin aklında var. Ve cevap tek bir şey değil.”

Temel bir sorun, birçoğunun makine öğrenimini operasyonel hale getirmenin standart bir tür uygulamayı işlevselleştirmekten çok farklı olmadığını varsaymasıdır, diye açıkladı ve AI statik olmadığı için büyük bir fark olduğunu da sözlerine ekledi.

“Neredeyse bir çiftliğe bakmak gibi, çünkü veriler yaşıyor, veriler değişiyor ve işiniz bitmedi” dedi. “Bir öneri algoritması oluşturup, insanların nasıl satın aldıklarına ilişkin davranışları zaman içinde donmuş gibi değil. İnsanlar satın alma şeklini değiştirir. Aniden, rakibinizin bir promosyonu var. Sizden satın almayı bırakırlar. Yarışmacıya gidiyorlar. Sürekli ona yönelmek zorundasın.”

Sonuç olarak, her kuruluşun kendi kültürünü yapay zekayı uygulama konusundaki nihai hedefe nasıl hizalayacağına karar vermesi gerekir. “O zaman insanları bu dönüşümü yönlendirmek için gerçekten güçlendirmeniz ve ardından mevcut iş kollarınız için kritik olan insanlara yapay zekadan bir miktar değer elde edeceklerini hissettirmeniz gerekiyor” dedi.

Çoğu şirket hala bu yolculuğun başlarında, diye ekledi. “Çoğu şirketin henüz orada olduğunu düşünmüyorum, ancak son altı ila dokuz ayda kesinlikle iş sonuçları ve iş değeri konusunda ciddileşmeye doğru bir kayma olduğunu gördüm.”

AI’nın yatırım getirisi zor olmaya devam ediyor

Ancak yapay zekanın yatırım getirisinin nasıl ölçüleceği sorusu birçok kuruluş için anlaşılması zor bir soru olmaya devam ediyor. Jain, “Bazıları için bazı temel şeyler var, örneğin modellerini üretime bile sokamıyorlar ya da yapabiliyorlar ama kör oluyorlar ya da başarılılar ama şimdi ölçeklendirmek istiyorlar” dedi. “Ancak yatırım getirisi söz konusu olduğunda, genellikle makine öğrenimi ile ilişkili bir P&L yoktur.”

Yapay zeka girişimleri genellikle bir Mükemmellik Merkezi’nin parçasıdır ve yatırım getirisi iş birimleri tarafından ele geçirilirken, diğer durumlarda sadece ölçülmesi zordur.

“Sorun şu ki, işin yapay zeka kısmı mı? Yoksa bir yardımcı program mı? Dijital bir yerli iseniz, AI, işletmenin üzerinde çalıştığı yakıtın bir parçası olabilir ”dedi. “Ancak eski işletmeleri olan veya dönen büyük bir kuruluşta, YG’nin nasıl ölçüleceği, uğraşmaları gereken temel bir sorudur.”


Kaynak : https://venturebeat.com/2022/06/17/the-truth-about-ai-and-roi-can-artificial-intelligence-really-deliver/

Yorum yapın