Gartner: l'avaluació dels efectes financers de les dades i els equips d'IA s'ha tornat fonamental
En breu
El problema d'avaluar els efectes financers dels equips de dades, IA i ML s'ha tornat crític.
En el món del futur brillant de la IA, tothom només parla dels sorprenents efectes de l'anàlisi de dades i del que els equips de dades poden aportar a la taula en general. Heu vist aquests efectes en la realitat: fluxos d'efectiu específics com a conseqüència de la implantació de projectes d'anàlisi de dades? És probable que la resposta sigui ambigua. Així, Gartner va discutir el problema d'avaluar els efectes dels equips de dades al seu lideratge conferència sobre dades i anàlisi aquest any.
Segons l'estudi de Gartner, des de 1975, hi ha hagut un descens constant en la proporció d'empreses que mesuren l'impacte financer específic dels projectes d'anàlisi de dades (creixement dels ingressos, reducció de costos, creixement de la productivitat i reducció del risc). Ja l'any 2020, més del 90% de les inversions en dades (contra un 17% el 1975) estaven justificades pels anomenats objectius estratègics: la creació d'innovacions, les dades com a actiu i el valor de la marca.
I després podeu parlar molt sobre com i per què hem arribat a això i què passarà després amb el teló de fons dels núvols acumulats en l'entorn macroeconòmic global.
Per què s'ha format la tendència?
Justificar l'efecte de l'anàlisi de dades en termes d'objectius estratègics és, en molts casos, força normal. El desenvolupament de la indústria en els darrers anys ja s'ha fet evident per a tothom, sembla: ChatGPT aquí fa que l'últim tir sigui l'últim dubtós. En el moment d'un avenç, cap empresa que vulgui sobreviure vol quedar-se irremediablement enrere.
Justificar l'efecte amb objectius estratègics de vegades es veu forçat quan no s'inverteix a entendre quins efectes financers reals poden tenir les inversions en dades i com es poden mesurar. Moltes empreses inverteixen xifres enormes en projectes per millorar els processos empresarials a partir de dades, però al mateix temps, estalvien en crear una metodologia per avaluar els efectes d'aquests projectes (test AB, anàlisi post-inversió de projectes de dades, etc.). Amb cada nou projecte, aquestes empreses s'enfonsen cada cop més en el parany de la incertesa; per a ells, el risc de la fallida final de tota l'activitat de dades està creixent, o l'equip de dades està sobreinflat sense comprendre l'èxit de les seves activitats.
Al mateix temps, a la pràctica, la introducció d'aquestes metodologies sempre ha donat com a resultat els efectes més grans en tots els projectes de dades.
Què passarà després?
El costat fosc és la creixent vulnerabilitat dels equips de dades en una situació macroeconòmica difícil als mercats mundials. Si el 90% dels efectes d'alguns tipus d'equips no es poden “tocar” perquè es troben en un futur brillant, quan la crisi econòmica s'intensifiqui, seran aquests equips els primers a ser afectats. Malauradament, l'inici d'aquesta tendència es va confirmar en gran mesura el 2022, i una sèrie de grans acomiadaments en grans empreses.
La part positiva és l'augment de l'interès per les avaluacions d'impacte financer real. En el context de tot l'anterior, esperem que el 2024-2025 hi hagi una inversió de tendència i més inversions es justifiquen per un efecte financer real.
I això suposarà un augment de l'interès per mètodes com Reliable ML: com organitzar el treball dels equips de dades perquè l'efecte de les seves activitats sigui mesurable i econòmicament positiu. Per fer-ho, cal pensar en el disseny del sistema ML (per tal de no entrar en projectes òbviament no rendibles o irrealitzables), la inferència causal (per no caure en el parany de patrons falsos) i les proves AB (per tal de entendre si el vostre prototip aportarà diners en escalar).
Llegeix més notícies relacionades:
renúncia
En línia amb la Directrius del projecte Trust, si us plau, tingueu en compte que la informació proporcionada en aquesta pàgina no pretén ni s'ha d'interpretar com a assessorament legal, fiscal, d'inversió, financer o de cap altra forma. És important invertir només el que et pots permetre perdre i buscar assessorament financer independent si tens dubtes. Per obtenir més informació, us suggerim que feu referència als termes i condicions, així com a les pàgines d'ajuda i assistència proporcionades per l'emissor o l'anunciant. MetaversePost es compromet a fer informes precisos i imparcials, però les condicions del mercat estan subjectes a canvis sense previ avís.
About The Autor
Damir és el líder d'equip, cap de producte i editor de Metaverse Post, que cobreix temes com AI/ML, AGI, LLMs, Metaverse i Web3-camps relacionats. Els seus articles atrauen una audiència massiva de més d'un milió d'usuaris cada mes. Sembla ser un expert amb 10 anys d'experiència en SEO i màrqueting digital. Damir ha estat esmentat a Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto i altres publicacions. Viatja entre els Emirats Àrabs Units, Turquia, Rússia i la CEI com a nòmada digital. Damir va obtenir una llicenciatura en física, que creu que li ha donat les habilitats de pensament crític necessàries per tenir èxit en el paisatge en constant canvi d'Internet.
més articles
Damir és el líder d'equip, cap de producte i editor de Metaverse Post, que cobreix temes com AI/ML, AGI, LLMs, Metaverse i Web3-camps relacionats. Els seus articles atrauen una audiència massiva de més d'un milió d'usuaris cada mes. Sembla ser un expert amb 10 anys d'experiència en SEO i màrqueting digital. Damir ha estat esmentat a Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto i altres publicacions. Viatja entre els Emirats Àrabs Units, Turquia, Rússia i la CEI com a nòmada digital. Damir va obtenir una llicenciatura en física, que creu que li ha donat les habilitats de pensament crític necessàries per tenir èxit en el paisatge en constant canvi d'Internet.
