對于AI的投資回報率，企業仍然不清楚。許多人認為AI就像其他任何軟件解決方案一樣：從理論上講，回報應該是立竿見影的。但這種情況并非如此。此外，由于AI供應商往往會夸大其軟件生成的結果，因此業務領導者常常被誤認為ROI的路徑要比AI的平滑得多。

實際上，要確定一個指標來可靠地衡量AI對企業的影響是非常困難的。

在本文中，我們更深入地探討了業務領導者應如何考慮確定可幫助他們理解AI項目可能產生的回報的ROI指標。為此，我們通過對上個月在我們的行業人工智能播客中的三位專家的訪談來探索見解。

如何衡量AI投資回報率

在被認為是成功的之前，人工智能項目固有地包含著一定程度的不確定性和實驗性。在少數AI用例中，為預計回報確定可衡量的指標可能相對簡單。例如，在制造業的預測性維護應用中，企業可以將回報直接與維護成本的減少或機器停機時間的減少聯系起來。

但是在其他應用程序中，例如改善業的客戶體驗，識別少量可靠的度量標準來衡量成功則更具挑戰性。

除非企業對收益有清晰的了解，否則他們將有可能遭受AI投資損失的風險。確保AI項目具有可衡量指標的一種方法是選擇一個已經存在非AI解決方案并且正在測量和跟蹤結果的特定業務問題。

NVIDIA學習與感知研究副總裁Jan Kautz在我們之前的播客系列有關AI入門的訪談中接受了采訪，他似乎同意，針對現有業務問題開發AI解決方案比衡量成功要容易得多。開發一個沒有先例的全新AI用例：

在AI中進行全新的操作的危險在于，您實際上不知道自己在做什么是否正確，因為您沒有什么可比擬的。我建議選擇一個已經有一個現有系統的區域，以便您可以比較AI系統的結果，并知道您是否至少獲得比現有系統更好的結果

業務領導者還需要了解，為了在整個組織中部署AI項目，他們不僅需要數據科學家，還需要數據工程師。數據科學家是那些為特定功能開發機器學習算法的人。

數據工程師通常承擔在整個企業中實施解決方案的任務。這可能涉及確定現有數據基礎結構是否以可持續的方式建立，這將使AI系統隨著時間的推移在整個組織中平穩運行，或者devops流程能夠維持AI項目。