So bewerten Sie den ROI Ihrer KI-Projekte während einer Rezession

Sehen Sie sich hier alle On-Demand-Sitzungen des Smart Security Summit an.

Während Unternehmen sich bemühen, sich gegen den wirtschaftlichen Abschwung abzusichern, werden alle Arten von Projekten beeinträchtigt. Und angewandte künstliche Intelligenz (KI) ist da keine Ausnahme.

Vor dem Abschwung erlebte die KI-Branche einen Goldrausch, bei dem Unternehmen viel Geld in Talente, Forschung und Projekte für maschinelles Lernen (ML) investierten. Während sich diese Bemühungen ausgezahlt haben und ihren Weg in die Anwendungen gefunden haben, die wir täglich nutzen, wurde ein Großteil dieser Investitionen durch einen ungerechtfertigten Hype um KI vorangetrieben.

Während Unternehmen ihre KI-Initiativen an neue Marktbedingungen anpassen, ist Folgendes zu erwarten.

Messen Sie den Return on Investment von KI-Projekten

"Schon vor der Rezession sprachen wir über den Return on Investment in KI-Projekte", sagte Anand Rao, Global Head of Artificial Intelligence bei PwC, gegenüber VentureBeat. „Während der ROI bei jeder Technologieeinführung ein Anliegen ist, besteht der Unterschied bei KI im Gegensatz zu anderen Technologien wie der Cloud darin, dass Sie über Vorhersagen sprechen.“

Vorfall

Smart Security Summit auf Abruf

Erfahren Sie mehr über die wesentliche Rolle von KI und ML in der Cybersicherheit und branchenspezifische Fallstudien. Sehen Sie sich noch heute die On-Demand-Sitzungen an.

Schau hier

Wie messen Sie den Wert von Vorhersagen? Die meisten Unternehmen verwenden Modelle für überwachtes maschinelles Lernen, was bedeutet, dass sie ihre Modelle anhand von Beispielen trainieren, die von menschlichen Experten gekennzeichnet wurden. Die prozentuale Genauigkeit des Modells wird dann gemessen, indem seine Vorhersagen mit der von menschlichen Kommentatoren angegebenen Grundwahrheit verglichen werden. Allerdings sind nicht alle Präzisionsmessungen gleich.

"In vielen Organisationen ist es nicht die beste Person, um sich mit der Kennzeichnung zu befassen", sagte Rao. Wenn beispielsweise ein Finanzinstitut ein ML-Modell für Underwriting-Entscheidungen erstellt, führt es zu einem besseren Ergebnis, wenn die besten Underwriter die Schulungsbeispiele taggen, als wenn ein Praktikant das Tagging in seiner Freizeit durchführt. Dies ist wichtig, da ein Modell mit (sagen wir) 95 % Genauigkeit wertvoller ist als ein Modell mit einem geringeren Genauigkeitsprozentsatz.

"Es gibt auch eine Komplikation, wenn man die menschliche Leistung nicht so streng misst wie die KI-Leistung", sagte Rao. „Sie wissen wirklich nicht, ob alle Ihre Versicherer mit der Genauigkeit Ihres KI-Systems übereinstimmen. Wenn dies nicht der Fall ist, ist Ihre KI viel besser, als Sie ursprünglich angenommen haben.“

Und schließlich müssen Unternehmen auch die Kosten falscher Vorhersagen berücksichtigen, sagte Rao, die von der Anwendung, der Umgebung, den Kunden und vielen anderen Faktoren abhängen.

„Die Herausforderung, den ROI von KI/ML-Algorithmen zu messen, besteht schon seit Ewigkeiten“, sagte Rao. „Wir brauchen härtere Maßnahmen. Jetzt, mit der Verlangsamung, wird es noch wichtiger, eine gute Vorstellung vom ROI von ML/KI-Algorithmen zu haben."

Mit einem klareren Bild der Rentabilität ihrer KI-Projekte können Unternehmen besser entscheiden, ob sie sie fortsetzen oder beenden.

Der KI-Portfolio-Ansatz

KI wird auch während der Rezession wichtig bleiben, um in vielen Branchen einen Wettbewerbsvorteil zu erhalten. Aber Unternehmen müssen ihre KI-Strategien an die wirtschaftlichen Bedingungen anpassen. Und es kann mit einer Änderung der Sichtweise eines Unternehmens auf KI-Projekte beginnen.

"Führungskräfte sehen sich gerne jedes Projekt an und fragen sich, was der ROI dieser Empfehlungsmaschine oder dieser NLP-Technologie ist?" sagte Rao. "Mein...