Создание бизнес-кейса для проекта искусственного интеллекта или машинного обучения с использованием первых принципов, принципа 80/20 и т. д.

Большинство управленческих команд признают, что инвестиции в инновации необходимы для долгосрочного успеха. Проекты искусственного интеллекта или машинного обучения считаются необходимыми для инноваций. Однако в разгар Covid-19, когда бизнес следит за каждой копейкой, создание бизнес-обоснования для проекта искусственного интеллекта или машинного обучения становится все более сложной задачей. Эта статья поможет вам создать убедительное экономическое обоснование вашего проекта искусственного интеллекта или машинного обучения. Читайте дальше, чтобы узнать больше.

Состояние разработки бизнес-кейсов для ИИ и машинного обучения сегодня

Во-первых, давайте посмотрим на состояние бизнес-кейсов для ИИ и машинного обучения сегодня. Начнем с Гартнер.

Бизнес-кейсы для проектов ИИ сложны в разработке, поскольку затраты и выгоды труднее предсказать, чем для большинства других ИТ-проектов, — объясняет Мутуси Сау, главный аналитик Gartner. Проблемы, характерные для проектов ИИ, включают дополнительные уровни сложности, непрозрачности и непредсказуемости, которых просто нет в других стандартных технологиях.

Forbes Insights также определил, что неотложность проектов ИИ была выше среди заинтересованных сторон в сфере ИТ, в меньшей — среди топ-менеджеров и еще меньше среди совета директоров.

«Хотя 45 % заинтересованных сторон в сфере ИТ выражают «крайнюю неотложность» более широкого применения ИИ в своих компаниях, только 29 % считают такое же безотлагательное чувство среди высшего руководства (процент еще ниже среди советов директоров — 10%).”

С другой стороны, технологические компании, такие как Apple, Google, Amazon и Netflix, вкладывают миллиарды в проекты ИИ. Но результаты многих мегапроектов, скорее всего, будут оцениваться в долгосрочной перспективе от десяти до пятнадцати лет. Системы рекомендаций на Netflix, Amazon или Apple News, основанные на машинном обучении, имели выдающийся успех. Но в других областях жюри отсутствует. Усилия Apple по созданию автономных автомобилей, которые называли матерью всех проектов ИИ, были урезаны. Были сброшены данные о том, когда станут беспилотными автомобили. Планы крупномасштабных проектов ИИ, таких как запуск автономных автомобилей, еще больше откладываются, а экономическое обоснование может быть слабым.

«С автономными транспортными средствами «вы можете оказаться в компании, которой требуются миллиарды долларов капитала», без четких сроков для создания крупного бизнеса или окупаемости инвестиций, — сказал Аарон Джейкобсон, партнер NEA. .”

Также сложнее применять прошлые шаблоны, чтобы легко создавать бизнес-кейсы для проектов ИИ и машинного обучения. Например, бизнес-кейс для мобильных проектов был простым. Вы посмотрели на функциональность, которая была в Интернете, и просто перенесли ее на мобильные устройства. Фронтенд-проекты также было легко обосновать. Они давали лучший пользовательский опыт, и это имело большое значение для бизнес-спонсоров. Проекты, направленные на удовлетворение нормативных потребностей, имеют самое простое экономическое обоснование. Отчетные проекты и хранилища данных уже сделали бизнес-обоснование. На самом деле они не квалифицируются как ИИ.

На основании всего этого вот некоторые предварительные предположения:

  • Более простые варианты использования ИИ, такие как рекомендательные системы, имеют солидное экономическое обоснование. Но внедрение по-прежнему ограничивается небольшим процентом компаний.
  • Сложный искусственный интеллект, такой как автономные автомобили, сложнее, чем его представляют себе лучшие инженеры.
  • Технологические компании вкладывают миллиарды долларов в проекты ИИ, потому что у них просто есть такая роскошь. Их бизнес имеет огромный свободный денежный поток. Следовательно, они могут инвестировать в такие технологии, как искусственный интеллект, которые используются в беспилотных автомобилях.
  • Похоже, что в ИТ существует несколько проектов ИИ или машинного обучения, которые имеют надежное экономическое обоснование и которые можно было бы реализовать с минимальным риском.

Итак, как нам обосновать экономическое обоснование использования ИИ или машинного обучения в ИТ? Это безнадежное дело с огромным риском для карьеры? Читайте дальше, чтобы изучить некоторые эффективные методы создания бизнес-обоснования для ИИ и машинного обучения.

Создание бизнес-кейса для ИИ и машинного обучения на основе первых принципов

Итак, давайте разберемся, что означает применение первых принципов. Илон Маск объясняет, что означают первые принципы.

«Важнее всего исходить из первых принципов, а не по аналогии. Обычно мы ведем нашу жизнь, рассуждая по аналогии. Мы делаем это, потому что это похоже на что-то другое, что уже было сделано, или на то, что делают другие люди. Умственно легко рассуждать по аналогии, а не по первым принципам. Первые принципы — это физический взгляд на мир. На самом деле это означает, что вы сводите все к самым фундаментальным истинам, а затем рассуждаете исходя из них. Это требует гораздо больше умственной энергии».

Так что, если рассуждать по аналогии, нам, скорее всего, не удастся построить экономическое обоснование для ИИ. Подход к построению бизнес-кейса для поддержки мобильных устройств или выполнения нормативных требований не сработает.

Первые принципы также можно понимать как деконструкцию, а затем реконструкцию. Таким образом, вы разбиваете что-то на более мелкие строительные блоки и строите что-то новое из этих строительных блоков.

Шаг 1: Деконструкция ИИ

Итак, применяя это к искусственному интеллекту, вы могли бы спросить, что такое искусственный интеллект? К сожалению, даже некоторые из основателей ИИ понимают, что никто четко не определил, что входит в понятие искусственный интеллект. На данный момент давайте рассмотрим следующие категории:

  • Машинное обучение и нейронные сети
  • Обработка естественного языка
  • Робототехника
  • Нечеткая логика

Машинное обучение и нейронные сети

Машинное обучение можно описать как систему прогнозирования на основе ранее доступной информации и обнаруженных закономерностей. Предсказание может быть двух видов:

  • Предсказание или вероятность события. Произойдет событие или не произойдет? Техническое название прогностической модели этого типа — классификационная модель.
  • Прогноз стоимости. Техническое название прогностической модели этого типа — регрессионная модель.

Как только мы превратим машинное обучение в систему прогнозирования, все станет намного проще. Существуют различные типы моделей машинного обучения. Наиболее популярными из них являются системы показателей (линейные модели), деревья решений (деревья классификации и регрессии или CART) и искусственные нейронные сети (ИНС). Все они либо предсказывают вероятность события, либо предсказывают значение.

Обработка естественного языка

Роль искусственного интеллекта в ИТ-отделах в 2020 году в основном заключалась в машинном обучении и обработке естественного языка. В этой статье мы не будем разбирать робототехнику или нечеткую логику.

Шаг 2. Реконструкция ИИ с учетом бизнес-проблем

Теперь, когда мы в определенной степени разобрали ИИ, как мы можем использовать это для создания бизнес-кейса? Мы делаем это, реконструируя его с помощью известных бизнес-проблем. Например, если вы управляете больницей, у вас будет информация о состоянии здоровья ваших членов. Вы можете создать модель машинного обучения и предсказать, кто из ваших участников может подвергаться риску сердечно-сосудистых заболеваний или диабета, основываясь на информации об их здоровье, демографических данных и т. д.

Если вы являетесь розничным продавцом и отправляете купон на скидку своим постоянным клиентам, вы можете создать модель машинного обучения, которая использует данные о прошлых покупках, чтобы предсказать, кто из ваших клиентов, скорее всего, воспользуется вашим купоном, а также оценить стоимость их покупки.

Большинство розничных продавцов сегментируют своих клиентов, чтобы нацеливать их на них, чтобы увеличить продажи и т. д. Мы можем применить машинное обучение, чтобы просмотреть данные о покупках клиентов и посмотреть, какие рекламные акции может предложить розничный продавец для увеличения продаж.

Ритейлер может просмотреть данные о прошлых покупках клиентов и применить первые принципы для разработки двух моделей машинного обучения:

  • Модель классификации, которая будет предсказывать тех клиентов, которые, скорее всего, перестанут покупать. Это широко известно как модель истощения.
  • Модель регрессии, которая будет предсказывать стоимость покупки клиентов. Это широко известно как модель дохода.

Эти две модели можно объединить вместе, и мы получим таблицу, которая показывает покупательское намерение клиента и стоимость покупки.

Комбинируя эти две модели, мы получаем девять подсегментов, в которых мы можем даже применять автоматизированные правила принятия решений, чтобы удерживать клиентов, предлагая им специальные акции.

В приведенном выше примере показано, как можно использовать первые принципы для создания бизнес-кейса для машинного обучения. Теперь мы рассмотрим методы того, как мы можем сделать еще более убедительное экономическое обоснование для машинного обучения.

Создание бизнес-кейса для ИИ и машинного обучения с использованием принципа Парето — 80/20

Вильфредо Парето, итальянский экономист, заметил, что примерно 80 % земли Италии принадлежит 20 % населения. Затем он провел опросы в ряде других стран и, к своему удивлению, обнаружил, что применяется аналогичное распределение. Консультант по менеджменту Джозеф Юран наткнулся на работу Вильфредо Парето и начал применять принцип Парето к вопросам качества (например, 80 % проблемы вызвано 20 % причин). Таким образом, сосредоточение внимания на 20% причин может привести к впечатляющим результатам. Его методы были приняты японскими производителями автомобилей и лидерами со всего мира. Консультант по управлению и инвестор Ричард Кох отметил еще более широкую применимость принципа 80–20.

Так, Ричард Кох отмечает:

"Многие исследования в бизнесе показали, что на самые популярные 20 % товаров приходится примерно 80 % продаж; и что на 20 процентов крупнейших клиентов также приходится около 80 процентов продаж; и что примерно 20 % продаж приносят 80 % прибыли».

Он также приводит другие примеры:

«80 % преступлений будут совершаться только 20 % преступников, 80 % несчастных случаев будут происходить по вине 20 % водителей, 80 % износа ваших ковров будет происходить только в 20 % случаев. их районе, и что 20 % вашей одежды изнашиваются в 80 % случаев».

Он добавляет, что «80/20» — это не волшебная формула. Фактическая картина вряд ли будет именно 80/20. Иногда это 70/30, а в крайних случаях, таких как Интернет из-за сетевых эффектов, может быть даже 95/5.

Таким образом, основываясь на этом принципе, можно найти возможности для поиска «релевантных немногих», которые нуждаются в большом внимании. Давайте возьмем пример, чтобы увидеть, как можно применить принцип 80/20. Допустим, специализированный ритейлер рассматривает принцип 80/20 в качестве отправной точки и выдвигает гипотезу о том, что 20 % его покупателей обеспечивают 80 % его продаж. А еще есть оставшиеся 80% клиентов, которые обеспечивают только 20% продаж. А поскольку розничная торговля является очень конкурентным рынком, где стоимость привлечения клиентов очень высока, ритейлер не хотел бы терять ни одного из этих ценных клиентов.

Ритейлер может создать отчет о стоимости своих продаж и посмотреть, какой процент покупателей привел к 80% продаж ритейлера. Ритейлер может обнаружить, что это может быть 20% или даже 30%. Ранее мы отмечали, что правило 80–20 не является точным. Это ценные клиенты розничных продавцов, которым нужно уделять особое внимание.

Теперь ритейлер мог просмотреть данные о прошлых покупках этих ценных клиентов и применить первые принципы для разработки двух моделей машинного обучения, как это сделали мы ранее. Обратите внимание, что теперь модель ограничена ценными клиентами. Таким образом, теперь розничный продавец, скорее всего, получит двумерную матрицу.

Таким образом, использование принципа 80-20, применение первых принципов и машинного обучения дает ритейлеру очень ценную информацию. Теперь ритейлер может использовать персонализированные стратегии в каждом из этих 9 различных подсегментов.

Имейте в виду, что применение принципа 80-20 увеличило возможности машинного обучения, возможно, на порядок. Если бы принцип 80-20 не применялся и если бы модель машинного обучения была нацелена на всю клиентскую базу, а не на 20% наиболее ценных клиентов, матрица решений очень хорошо выглядела бы примерно так, как в таблице 1, которую мы рассмотрели ранее. .

Принцип 80-20 также является степенным законом. Таким образом, 20% клиентов дают 80% бизнеса. Отсюда следует, что 20% из 20%, то есть 4% клиентов, дадут 64% бизнеса. Расширяя это дальше, 0,8% клиентов дадут 51% бизнеса. Таким образом, 0,16% клиентов дадут 41% бизнеса. И это продолжается.

Теперь было бы логично ожидать, что поведение и данные о покупках 0,16% клиентов, которые отдают 41% бизнеса, будут сильно отличаться от поведения 80% клиентов, которые отдают 20% бизнеса. Таким образом, вполне вероятно, что созданные нами модели машинного обучения будут более точными, если их применять к меньшим слоям населения.

Применимость степенных законов немного трудно понять. Чтобы было легче понять, давайте возьмем тот же пример. Предположим, что у розничного продавца 10 миллионов покупателей. Общий годовой доход составляет 100 миллионов долларов. Таким образом, средний доход на одного пользователя (ARPU) за год составляет 10 долларов. Сейчас все это выглядит очень разумно, и когда мы применяем принцип 80–20, данные оживают.

Теперь он рассказывает нам кое-что очень интересное. На одном конце 20% пользователей 1,6 миллиона пользователей в среднем тратят 10 долларов. С другой стороны, 26 пользователей в среднем тратят 655 360 долларов. В реальном мире 80–20 могут не применяться напрямую, это может быть 70–30 или 60–40, но применение принципа 80–20 освещает данные совершенно по-новому.

Теперь, когда мы сопоставляем ARPU с каждым из пользовательских сегментов, мы ясно видим степенной закон в действии. Обратите внимание, что одна и та же диаграмма разделена на две из-за экспоненциального характера степенных законов.

Теперь вы можете спросить, хорошо, это выглядит круто. Каково отношение к машинному обучению? И действительно, между ними существует мощная связь. Можно создавать собственные модели машинного обучения для каждого из подсегментов клиентов. т.е. одна для 1,6 миллиона клиентов, чей ARPU составляет 10 долларов, другая модель для 320 000 пользователей, чей ARPU составляет 40 долларов, еще одна модель для 64 000 пользователей, чей ARPU составляет 160 долларов, и так далее. Каждая из этих моделей, вероятно, будет более точной, чем одна модель, созданная для ценных клиентов. И затем, поскольку каждый из этих подсегментов имеет разные характеристики и склонность к покупке, можно построить даже разные типы моделей для достижения разных целей. И поскольку эти клиенты являются жизненно важными, возможности просто безграничны.

Таким образом, мы приходим к очень важным выводам:

  • Сочетание принципа 80–20 с машинным обучением и первыми принципами очень эффективно и может помочь создать надежное экономическое обоснование для проекта машинного обучения.
  • Применение машинного обучения к небольшим фрагментам данных, к тем немногим важным, которые имеют значение, может привести к более точным моделям машинного обучения. Они усилят возможности машинного обучения и сделают бизнес-кейс еще более убедительным.
  • Принцип 80–20 — это степенной закон, который можно применять почти бесконечно. Это означает, что мы можем создавать собственные модели машинного обучения на все меньших и меньших фрагментах данных по нескольким жизненно важным. Точность моделей будет увеличиваться до тех пор, пока набор данных не станет слишком маленьким. В этот момент точность может начать падать.

Один связанный момент, когда мы начинаем применять модели машинного обучения на кривой мощности 80–20, заключается в том, что потребуется сложный способ управления моделями, и MLOP будут становиться все более важными.

Создание бизнес-кейса для ИИ и машинного обучения с помощью метода «Пять почему».

Согласно Википедии, пять почему (или 5 почему) — это итеративный вопросительный метод, используемый для изучения причинно-следственных связей, лежащих в основе конкретной проблемы. Основная цель методики — определить первопричину дефекта или проблемы путем повторения вопроса Почему?. Каждый ответ является основой следующего вопроса. Пять в названии происходит от неподтвержденного наблюдения о количестве итераций, необходимых для решения проблемы.

Пять почему могут быть использованы для определения основной причины проблемы. В некоторых случаях решение основной причины проблемы может быть с помощью ИИ или машинного обучения.

Давайте на мгновение представим гипотетический сценарий, согласно которому ритейлер развернул решение по машинному обучению для сегмента клиентов из таблицы 2. Чтобы увеличить продажи для клиентов из поля 4, ритейлер разослал покупателям персонализированное электронное письмо с персонализированным купоном. Поскольку продавец знал вероятную сумму покупки, он решил выдать купон, который представлял собой 20-процентную скидку на вероятную сумму покупки, округленную до ближайших 5 долларов. Покупатель просто должен был просто совершить покупку, чтобы использовать купон, который имел такие значения, как 5 долларов, 10 долларов, 15 долларов и так далее.

Купон был отправлен покупателю по электронной почте с высокой степенью персонализации. Купон также показывался при посещении покупателем веб-сайта продавца. Однако после окончания акции выяснилось, что скорость погашения купона не выше, чем в прошлом.

Технику пяти «почему» можно использовать для выявления потенциальных причин того, почему искупление не было большим.

Персонализация купонов не привела к увеличению количества погашений

  • Почему? Персонализация ограничивалась только именем и вероятной суммой покупки. (Первое, почему)
  • Почему? Модель машинного обучения только прогнозировала сумму покупки и вероятность покупки. (Второе почему)
  • Почему? Масштаб проекта машинного обучения был ограничен только сегментированием клиентов по их вероятности покупки и вероятной сумме покупки. Удержание клиентов путем создания персонализированных предложений на основе данных о прошлых покупках не входило в рамки проекта машинного обучения (третья причина).
  • Почему? На платформе данных были доступны только совокупные суммы покупок по годам. Точная история покупок товаров, купленных клиентом, не была доступна на платформе данных. (Четвертая причина)
  • Почему? Платформа данных была построена в условиях ограниченного бюджета. Персонализация с использованием предыдущей истории покупок рассматривалась как возможность, которая будет добавлена ​​в будущем и, следовательно, оставалась за рамками платформы данных.

Таким образом, если бы у платформы данных была история покупок, то, зная вероятный бюджет клиента, алгоритм машинного обучения мог бы просмотреть историю покупок похожих клиентов. Затем назначьте вероятности покупки самых популярных товаров, которые клиент еще не купил, а затем порекомендуйте несколько товаров, которые имеют наибольшую вероятность покупки клиентом. Таким образом, купон мог быть отправлен покупателю вместе с рекомендацией продуктов, которые покупатель, скорее всего, купит. Это увеличило бы вероятность того, что покупатель воспользуется купоном и останется клиентом. Из этого следует, что метод пяти «почему» можно использовать для обоснования необходимости улучшения платформы данных и использования алгоритма машинного обучения для создания более персонализированных предложений.

Технику пяти «почему» можно использовать отдельно или в сочетании с диаграммой «рыбья кость» или диаграммой Исикавы, чтобы найти еще больше потенциальных первопричин проблем. И мы рассмотрим это далее.

Создание бизнес-кейса для ИИ и машинного обучения с помощью диаграмм Fishbone

Диаграммы рыбий скелет, или диаграммы Исикавы, или причинно-следственные диаграммы — это причинно-следственные диаграммы, созданные Каору Исикавой, которые показывают потенциал конкретного события. Голова рыбы обращена вправо, а влево — в виде рыбьих костей; ребра ответвляются от позвоночника для основных причин с ответвлениями для основных причин на столько уровней, сколько необходимо.

Существуют различные способы выявления основных причин, распространяющихся влево.

В производстве используются:

  • Сила человека/разума (физическая или умственная работа, включая: кайдзен, предложения)
  • Машина (оборудование, технология)
  • Материал (включает в себя сырье, расходные материалы и информацию)
  • Метод (процесс)
  • Измерение/среда (осмотр, окружающая среда)

В продуктовом маркетинге используются:

  • Товар (или услуга)
  • Цена
  • Место
  • Повышение
  • Люди (персонал)
  • Процесс
  • Вещественное доказательство
  • Представление

Взяв предыдущий пример, когда розничные рекламные акции не были погашены, можно нарисовать диаграмму «рыбий скелет» с вероятными причинами, по которым купоны не были погашены.

Как только основные причины определены, каждую из них можно проанализировать с помощью метода пяти «почему», чтобы найти первопричину.

Например, вопрос об одинаковой для всех дате истечения срока действия купона может привести к проекту машинного обучения.

День истечения срока действия купона был одинаковым для всех клиентов, что привело к тому, что некоторые клиенты не воспользовались купоном

  • Почему? Некоторые клиенты используют купон в течение нескольких дней после получения купона, в то время как другие совершают покупки только в течение длинных выходных и в результате не используют купон (Почему 1)
  • Почему? Если это было известно, то почему купон был отправлен с фиксированным сроком действия (Почему 2)
  • Почему? Купон с фиксированной датой истечения срока действия был отправлен, поскольку информация о том, какие именно покупатели совершают покупки в основном в течение длинных выходных, была недоступна (почему 3).
  • Почему? Почему не была доступна информация о датах, когда клиент с наибольшей вероятностью совершает покупку? (Почему 4)
  • Почему? Не было доступных моделей машин, которые предсказывали бы наиболее вероятные дни, когда покупатель, скорее всего, будет делать покупки (Почему 5)

И вуаля! Мы можем разработать бизнес-кейс для индивидуальных дат истечения срока действия купонов для клиентов. Покупателям, которые ждут начала сезона длинных покупок в выходные дни, чтобы совершить покупку, предоставляется срок действия, который истекает через несколько дней после сезона длинных покупок в выходные дни, в то время как клиентам, которые не ждут сезона длинных покупок в выходные дни для совершения покупок, может быть предоставлен купон, срок действия которого истекает. независимо от сезона длинных выходных.

Создание бизнес-кейса для ИИ и машинного обучения с запасом прочности и аутсорсинга

После того, как проблема для ИИ или машинного обучения будет выявлена, следующим шагом будет расчет рентабельности инвестиций или рентабельности вложенного капитала. Другой метод заключается в расчете чистой приведенной стоимости инвестиций в проект. Если чистая текущая стоимость положительна, то можно продолжать проект.

Таким образом, чтобы оценить рентабельность инвестиций, необходимо оценить будущие финансовые выгоды от проекта, будущие эксплуатационные расходы и необходимые первоначальные инвестиции.

Другим аспектом, который необходимо учитывать, является общий риск проекта. Проекты искусственного интеллекта и машинного обучения имеют два дополнительных вида риска помимо риска исполнения, который всегда присутствует в ИТ-проектах. Первый риск заключается в том, что наша гипотеза о создаваемой модели может оказаться неверной. Второй риск заключается в том, что после сбора обучающих данных мы не знаем, насколько хорошо алгоритм будет работать на практике (истинный риск), потому что мы не знаем истинного распределения данных, на которых алгоритм будет работать.

Чтобы понять и снизить эти риски, давайте рассмотрим пример проектов ИИ и машинного обучения, которые мы сопоставляем с риском и окупаемостью инвестиций. Имейте в виду, что риск и доходность инвестиций не могут быть точно оценены. У нас также есть Безрисковая доходность, норма прибыли, которую мы получили бы, вложив наш капитал в безрисковые инструменты, такие как казначейские облигации. Как минимум, рентабельность инвестиций должна превышать безрисковую норму доходности. У организаций может быть пороговая ставка для внутренних проектов, которая может превышать безрисковую норму прибыли.

Когда мы накладываем проекты на риск и рентабельность инвестиций, у нас есть несколько интересных наблюдений. Предположим, что безрисковая ставка является пороговой ставкой для организации, чтобы упростить наш анализ. Очевидно, что проекты G, F и E не заслуживают инвестиций, так как их доходность меньше безрисковой нормы доходности и они несут дополнительный риск.

Это оставляет проекты A, B, C и D для рассмотрения. Проект А имеет разумную доходность и низкий риск, поэтому его можно продолжать. Проекты C и D имеют доход выше безрисковой нормы доходности. Однако проект С кажется слишком рискованным и от него можно отказаться. И что нам делать с проектами B и D?

Один из подходов — снизить риск обоих проектов и посмотреть, поможет ли это нам сделать выбор. Но, как мы видели ранее, снизить риск для проекта ИИ или машинного обучения может быть намного сложнее, чем снизить риск традиционного ИТ-проекта. Для успеха проекта машинного обучения все три события должны работать в нашу пользу:

  • Выполнение ИТ-проекта (например, проектирование данных и т. д.) (известный риск)
  • Модель машинного обучения должна быть аналогична исходной гипотезе бизнес-кейса (неизвестный риск).
  • Алгоритм должен хорошо работать на практике (неизвестный риск)

Хотя риск ИТ-проекта можно снизить, гораздо сложнее снизить следующие два риска. Итак, как нам составить экономическое обоснование проекта, в котором два риска неизвестны и не могут быть полностью смягчены?

Один из подходов заключается в использовании подхода «Запас прочности». Это будет означать, что ROI должен быть выше. Как можно увеличить рентабельность инвестиций? Допустим, расчетная рентабельность проекта составляет 12%. Если рентабельность инвестиций достигает 24%, проект становится более привлекательным. Есть два способа повысить рентабельность инвестиций — один из них заключается в расширении возможностей проекта, но это сопряжено с дополнительным риском и более высокими инвестициями. Другой способ — просто вдвое сократить инвестиции в проект, скажем, отдав часть проекта на аутсорсинг. Это помогает двумя способами. Во-первых, это вдвое снижает инвестиции. Так что даже если проект потерпит неудачу, потеря будет только половиной. И если проект увенчается успехом, рентабельность инвестиций удвоится. Таким образом, аутсорсинг проектов по искусственному интеллекту и машинному обучению — это очень мощно. Это не проблема, если это не увеличивает риск исполнения. Это обеспечивает запас прочности, снижает необходимые инвестиции и может почти удвоить рентабельность инвестиций в случае успеха проекта.

Таким образом, аутсорсинг может подтолкнуть проекты B и D вправо, где есть более высокий запас прочности и рентабельность инвестиций.

Наш опыт работы с проектами ИИ показывает, что 50–70% первоначальных инвестиций в проекты ИИ идут на разработку данных. Построение модели, бизнес-анализ, затраты на хранение, стоимость ЦП/ГП, лицензии на программное обеспечение и т. д. составляют от 30 до 50 % затрат. Это снова согласуется с принципом 80–20. Таким образом, Data Engineering — это деятельность, которую легко выбрать для аутсорсинга и которую можно передать на аутсорсинг для увеличения запаса прочности и окупаемости инвестиций.

Как не построить кейс для проектов ИИ и машинного обучения

Теперь, когда мы рассмотрели некоторые способы построения бизнеса для проектов ИИ и машинного обучения, мы рассмотрим некоторые распространенные и очевидные ловушки, которых следует избегать.

  1. Выбор очень сложных проектов. Если вы начнете со сложного проекта по искусственному интеллекту и машинному обучению, это верный способ создать слабое экономическое обоснование. Таким образом, лучше заранее найти более простые варианты использования с проверенными технологиями искусственного интеллекта и машинного обучения.
  2. Не вовлечение всех заинтересованных сторон. Не вовлечение всех заинтересованных сторон – верный способ создать ошибочное экономическое обоснование. Конечные пользователи должны видеть ценность в сценарии использования. ИТ-отдел должен быть полностью задействован, чтобы можно было точно оценить усилия и затраты на проектирование данных, инфраструктуру и построение моделей. Финансы должны понимать риски и рентабельность инвестиций.
  3. Игнорирование историй успеха и неудач. Истории успеха и неудач дают нам понять, почему одни вещи работают, а другие нет. Игнорировать их — верный способ выставить слабый случай.
  4. Простое копирование шаблона бизнес-кейса ИТ-проекта. Копирование более раннего шаблона бизнес-кейса ИТ-проекта — еще один надежный способ создать неполное бизнес-кейс для проекта ИИ или машинного обучения. Проекты искусственного интеллекта и машинного обучения имеют гораздо больше нюансов и рисков, чем традиционные ИТ-проекты, и использование старого шаблона приведет к неполному анализу.
  5. Замалчивание рисков и сложности.Проекты искусственного интеллекта и машинного обучения добавили уровни сложности и риска помимо ИТ-проектов. Замалчивание их — верный способ гарантировать, что высшее руководство, оценивающее экономическое обоснование, не оценит ценность бизнеса, сложность и риски.

Контрольный список для создания бизнес-кейса для проекта ИИ или машинного обучения

Таким образом, мы рассмотрели много вопросов по созданию бизнес-кейса для проекта ИИ или машинного обучения. Вот простой контрольный список для создания вашего бизнес-кейса:

  1. Применение первых принципов. Разберите свою бизнес-задачу, а также отрасль ИИ, которую вы планируете использовать. Реконструируйте их вместе, чтобы построить бизнес-кейс.
  2. Сделайте бизнес-кейс убедительным, применив принцип 80/20, пять «почему» или диаграмму «рыбья кость».
  3. Сделайте бизнес-кейс отказоустойчивым, применив запас прочности. При необходимости отдайте на аутсорсинг для увеличения запаса прочности.
  4. Избегайте распространенных ошибок, изучив статью «Как не создавать аргументы в пользу проектов ИИ и машинного обучения».
  5. Сделайте привлекательную презентацию или составьте убедительное экономическое обоснование для своего руководства. Не забудьте включить несколько историй успеха из вашей отрасли или где-либо еще.

Так что удачи в создании бизнес-кейса для вашего проекта ИИ или машинного обучения. Надеюсь, эта статья оказалась для вас полезной, поделитесь ею с друзьями и коллегами. Если у вас есть вопросы или комментарии, напишите нам [email protected] или поделитесь своими комментариями ниже.

Вы можете прочитать больше интересных статей на www.ideas2it.com/blogs

Первоначально опубликовано на https://www.ideas2it.com.