Hlavní navigace

Návratnost umělé inteligence a její skryté náklady

9. 6. 2021

Sdílet

 Autor: Depositphotos
Umělá inteligence umožňuje podnikové procesy přínosně přetvářet, obvykle však vyžaduje významné investice. Pokud linioví a IT manažeři nemohou měřit a vykázat pozitivní vliv aplikací s využitím umělé inteligence na chod podniku, riskují ztrátu podpory vrcholového vedení.

Vedení společnosti potřebuje důkazy o návratnosti investic ROI (Return Of Investment), které se do projektů umělé inteligence AI (Artifical Intelligence) vkládají. Prokázat tuto návratnost však nebývá snadné. Proto je pro týmy zabývající se vývojem a nasazováním aplikací AI zásadní, aby uměly náklady na tyto projekty předvídat a byly schopné prokázat, že se investice do AI vyplatí.

„Investice do skutečné umělé inteligence není otázkou návratnosti ale otázkou přežití,“ tvrdí Tomáš Vejlupek, prezident společnosti Tovek, a pokračuje: „Investice do automatizace založené na kombinaci strojového učení a znalostních systémů se dá určit jednoduše úsporou nákladů a zvýšením produktivity daných činností. Skryté náklady se skrývají ve výdajích na aktualizaci, bezpečnost a řešení důsledků chyb.“

Mnoho podniků a organizací všech typů a ze všech průmyslových odvětví pracuje na tom, aby jejich software, jako jsou chatboty, CRM systémy či aplikace pro předpovídání zásob a pro logistiku, mohl využívat AI. Pokud však linioví a IT manažeři nemohou měřit a vykázat pozitivní vliv těchto aplikací na chod podniku, riskují ztrátu podpory vrcholového vedení.

Týmy vytvářející produkty, nástroje nebo funkce využívající AI by proto měly hledat konkrétní přínosy, na jejichž základě je možné vypočítat návratnost investic a ospravedlnit realizaci projektu.

Jak odhadovat a měřit návratnost AI projektů

Organizace zjišťují, že projekty umělé inteligence se od tradičních softwarových projektů více či méně výrazně liší. U těch druhých jsou požadavky na zdroje obvykle pevně dané, přičemž podmínky úspěchu a výsledky se zjišťují poměrně snadno. U projektů umělé inteligence to však platí jen zřídka.

Manažeři AI projektů by si proto měli být schopní odpovědět na následující otázky:

  • Jakou obchodní komplikaci se snažím vyřešit? Zaměřte se na nějaký skutečný obchodní problém organizace a ukažte, jak jej váš projekt pomůže vyřešit. Začněte v malém, přemýšlejte ve velkém, jednotlivé kroky často opakujte. Tak lze pracovat na malých projektech, které mohou mít okamžitý dopad na návratnost investic, a zároveň mít na zřeteli dosažení většího cíle.
  • Poskytuje řešení daného problému společnosti konkurenční výhodu? Zajistěte, aby čas a prostředky, které do produktu investujete, přinesly vaší společnosti konkurenční výhodu. Jinak jen ztrácíte čas, kapitál a zdroje, které by mohly být lépe použité jinde. Zároveň najděte způsob, jak měřit přínosy projektu z hlediska konkurenčních výhod.
  • Jaký má daný projekt vliv na náklady? Aplikace AI může společnosti šetřit čas a zdroje, ale pokud projekt stojí dvakrát tolik v lidském kapitálu, výpočetních prostředcích a dalších zdrojích, pak nemusí očekávanou návratnost investic přinést. Ujistěte se, že jste vždy schopní vyhodnotit všechny aspekty a ukázat, jaké úspory nebo jiné měřitelné výhody projekt poskytuje.
  • Jakou rychlostí lze dospět k očekávaným přínosům? Termín „speed to value“ je dnes jedním z hojně užívaných „buzzwordů“. Projekty by měly poskytnout přínosy brzy a často, zejména pokud se při jejich realizaci využívá agilní přístup. Manažeři by měli být cílevědomí a měli by se ujistit, že jednotlivé funkce systému se uskutečňují včas.

Skryté náklady na AI

Každý, kdo pracoval s umělou inteligencí, ví, že implementace takových projektů může přinést skryté náklady. Ty mohou mít mnoho různých forem a je třeba s nimi předem počítat, jinak mohou způsobit výrazná zpoždění. Uveďme si několik faktů, kterých si projektoví manažeři musejí všímat:

  • Získání tréninkových dat: Mít velké množství dat ještě neznamená, že se trénink AI aplikací uskuteční bez komplikací. Jedním z největších problémů bránících úspěchu nasazení umělé inteligence je nedostatek dat skutečně vhodných k tréninku, kvůli čemuž mnoho projektů selhává. Získávání potřebných dat z externích zdrojů totiž může být příliš nákladné a představovat výrazné skryté náklady. Je nutné si vyjasnit, jaký druh dat požadujeme a jak bychom k nim měli přistupovat. 
  • Náklady na přípravu a označení dat: Po získání vhodných tréninkových dat je potřeba tato data důkladně připravit. Bohužel to může být časově náročný a nákladný proces. Dříve než začnete svůj AI model trénovat, se ujistěte, že jste pro projekt shromáždili správná data, máte k nim přístup a máte data připravená, vyčištěná a označená.
  • Nástroje a licence: Na trhu sice existuje mnoho open source nástrojů pro tvorbu aplikací využívajících umělou inteligenci, jejich používání se však neobejde bez určité úrovně znalostí a datové gramotnosti. Nedostatečné dovednosti prodlužují dobu trvání projektu a zvyšují náklady. Při použití komerčních nástrojů je zase nutné dávat pozor na licenční smlouvy a pečlivě hlídat skutečné náklady na používání daného nástroje, protože celkové výdaje mohou v těchto případech rychle narůstat.
  • Nevhodně fungující tým: Takový tým může také znamenat spoustu skrytých nákladů na projekt AI. Odborníci na data generovaná a využívaná aplikacemi pro AI jsou velmi nákladní a je obtížné je získat, takže je důležité umět tyto zaměstnance využít správným způsobem. Ve vhodně vytvořeném týmu by měla být adekvátní rovnováha dovedností a jednotliví členové by měli mít odpovídající kompetence a odpovědnost.

Je ROI nejdůležitější věcí v projektech AI?

Každá společnost implementuje umělou inteligenci proto, aby dále zlepšila své podnikání. Návratnost investic do AI může pro různé organizace znamenat různé věci.
Výrobce automobilů BMW používá AI v třídičkách milionů dílů dodaných jeho subdodavateli, které tento proces výrazně urychlily ve srovnání s manuálním tříděním. Měřitelnou návratností investic v tomto případě je, že umělá inteligence pomohla zvýšit počet vyrobených automobilů.

Umělá inteligence umožnila společnosti Yelp zkoušet umístění tlačítek a možnosti posouvání po stránkách a urychlila testování nadpisů a dalších důležitých funkcí, které ovlivňují konverzi. Měřitelnou návratností investic pro Yelp bude vyšší spokojenost uživatelů nebo delší doba strávená na webu, což může zvýšit příjmy z reklam.

I když projekty spojené s AI nemusejí mít přímý dopad na hospodaření společnosti, je třeba, aby investice nějaký svůj přínos prokázala. Koneckonců, u jakéhokoli řešení skutečného obchodního problému, které se nebude moci vykázat měřitelnou návratností investic, tj. které nepřináší více přínosů než celkových nákladů, je namístě otázka, proč se takový projekt vůbec uskutečňuje.