При планировании своих инициатив в области искусственного интеллекта не забывайте о затратах, которые значительно превышают первоначальные затраты на создание или покупку любой реализации ИИ, пишет на портале InformationWeek Ричард Мендис, директор по маркетингу и стратегии Bytemethod.ai.

Покупка ИИ во многом похожа на покупку спортивного автомобиля. Стоимость самого автомобиля — это только начало, а реальные расходы — страховка, топливо, техническое обслуживание, специальные запчасти — начинают расти еще до того, как вы выезжаете со стоянки.

Многие организации рассматривают предварительные затраты на разработку или подписку как основную стоимость ИИ. Но то, что вы платите за разработку модели и создание исходного решения, — это только начало. Затраты на инфраструктуру, инференс и управление изменениями, необходимые для успешного внедрения, могут обеспечить или подорвать рентабельность инвестиций.

Понимание этих факторов на ранней стадии может защитить ваши финансовые показатели от непредвиденных затрат и отделить успешные программы ИИ от неудачных.

Затраты начинаются с подготовки данных

Не стоит недооценивать финансовые и временные затраты, необходимые для подготовки данных для ИИ: она может быть такой же дорогостоящей, как и разработка самого ИИ. Согласно опросу Salesforce, в котором приняли участие 150 CIO, они тратят в среднем 20% своих ИИ-бюджетов на инфраструктуру данных и управление ими и только 5% на сам ИИ.

Прежде чем запустить модель ИИ, организации должны собрать, очистить, разметить и систематизировать огромные объемы данных или, по крайней мере, сделать так, чтобы ИИ справился с этой задачей, если вы откажетесь от традиционных методов очистки данных. Каждое пропущенное или повторяющееся значение, несогласованное поле или документ с неправильной маркировкой приводят к неэффективности последующих процессов, что увеличивает ваши затраты, снижает точность и вызывает трения, препятствующие широкому внедрению и окупаемости инвестиций. Неожиданные проблемы с интеграцией унаследованных систем или искажение данных могут привести к еще одному уровню сложности.

Критически отнеситесь к поставщикам, которые обещают быстрый запуск без учета необходимости обеспечения готовности данных.

Затраты, связанные с вашей архитектурой ИИ

Компромиссы между задержкой и пропускной способностью напрямую влияют на стоимость инфраструктуры при различных сценариях использования. В таких средах реального времени, как финансовая торговля, логистика или здравоохранение, миллисекунды имеют значение, поэтому организациям приходится вкладывать значительные средства в системы с низкой задержкой и высокой пропускной способностью. В отличие от этого, такие сферы, как производство или маркетинговая аналитика, могут выдерживать более длительное время обработки и позволяют заниматься оптимизацией для снижения затрат.

Тот же принцип применим к решениям о развертывании на периферии или в облаке. Периферийные вычисления иногда могут снизить затраты на инференс, но обслуживание таких систем сложнее, чем облачных решений. Аналогично, согласиться с «черным ящиком» ИИ либо выбрать объяснимость зависит от вашей нормативной базы. Строго регулируемые отрасли должны показывать, как ИИ принимает решения, в то время как другие могут избегать прозрачности. Во всех отраслях эти переменные часто не учитываются в предварительных оценках, но в конечном итоге они появятся в вашем балансе.

Наконец, при оценке моделей не стоит зацикливаться только на точности или качестве. Хороший архитектор или консалтинговая фирма помогут вам оценить процесс машинного обучения по трем параметрам: качеству, стоимости и скорости (или задержке). Заблаговременная разработка вашего конвейера с учетом оптимального сочетания этих факторов обеспечит более высокую рентабельность инвестиций в долгосрочной перспективе.

Соответствие нормативным требованиям, регулирование и безопасность

В стоимость разработки системы ИИ часто не включают критические затраты, такие как соответствие Закону ЕС об ИИ, GDPR, HIPAA и отраслевым стандартам, а также соблюдение требований безопасности. Например, у стартапа PerceptIn, занимающегося автономным вождением, согласно исследованию Гарвардской школы Кеннеди, затраты на соответствие нормативным требованиям в среднем составляют 344 тыс. долл. на одно развертывание, что более чем в два раза превышает затраты компании на НИОКР (150 тыс. долл.).

Проблема в том, что соответствие нормативным требованиям ИИ — это не единая структура, а лоскутное одеяло из постоянно меняющихся правил, что затрудняет полное понимание и еще больше усложняет внедрение. Безопасность добавляет еще один уровень сложности. Надежная изоляция данных, шифрование и контроль доступа должны быть заложены в каждый уровень системы. Согласно исследованию IBM, проведенному среди 34 652 руководителей технологических, охранных и бизнес-подразделений, нарушения безопасности могут стоить 670 тыс. долл. и более за инцидент.

Соответствие нормативным требованиям и безопасность коренным образом определяют архитектуру, бюджет и операционную стратегию. Это не дополнительные опции, поэтому убедитесь, что они учтены в итоговой стоимости ваших ИИ-инициатив. Гораздо экономичнее изначально проектировать систему с учетом объяснимости, отслеживаемости и возможности аудита, чем внедрять их после сбоев, штрафов или проблем с доверием клиентов.

Техническое обслуживание, мониторинг и реальность дрейфа модели

После развертывания системы ИИ продолжают развиваться. В отличие от традиционного ПО, которое просто ведет себя одинаково до обновления, модели ИИ обучаются, дрейфуют и деградируют. Их поддержание требует постоянных усилий и вмешательства человека.

Поскольку затраты на техническое обслуживание и мониторинг каждый год добавляют к первоначальной стоимости разработки от 15 до 30%, подход «настроил и забыл» никогда не работает с ИИ. Как и спортивный автомобиль с перегревшимся двигателем, модели становятся менее точными, менее надежными и требуют более дорогостоящего ремонта после сбоя.

Наиболее часто упускаемая из виду статья расходов: готовность персонала

По данным McKinsey, на каждый доллар, потраченный на создание модели ИИ, организации тратят примерно три доллара на управление изменениями. Обучение сотрудников, перепроектирование процессов и интеграция обратной связи от человека требуют времени и денег.

Ваши сотрудники очень важны. Даже хорошо спроектированные системы могут работать неэффективно, если у ваших сотрудников нет навыков, позволяющих доверять, интерпретировать или эффективно оспаривать результаты. Им необходимы навыки, чтобы распознавать, как выглядят «качественные данные», когда следует подвергать сомнению результаты и как эскалировать проблемы, не замедляя работу бизнеса.

Базовая компетентность — это только начало. Эффективные организации создают непрерывные циклы обучения, чтобы показывать сотрудникам, работающим с ИИ, как выглядит здоровая работа. Также четко объясните им преимущества ИИ. Если люди понимают «почему» вы настаиваете на умении свободно обращаться с данными, они с большей вероятностью станут активными последователями.

Будьте разумным покупателем ИИ

Учитывайте, что стоимость создания вашей системы ИИ — это только первоначальный взнос. Реальные затраты связаны с подготовкой данных, соответствием нормативным требованиям, выбором архитектуры, текущим обслуживанием и управлением изменениями. При оценке поставщиков не ограничивайтесь ценой предложения. Спросите, как будет поддерживаться система, как будут отслеживаться модели, как будут управляться данные и сколько будет стоить масштабирование.

Разумные покупатели инвестируют не просто в ИИ. Они инвестируют в экспертизу, которая обеспечивает окупаемость инвестиций в течение длительного времени после внедрения.