Gartner: Vurderingen af de økonomiske virkninger af data- og AI-hold er blevet kritisk
Kort sagt
Problemet med at vurdere de økonomiske effekter af data-, AI- og ML-teams er blevet kritisk.
I verden af AI's lyse fremtid taler alle kun om de fantastiske effekter af dataanalyse, og hvad datateams kan bringe til bordet generelt. Har du set disse effekter i virkeligheden: specifikke pengestrømme som følge af implementeringen af dataanalyseprojekter? Svaret er sandsynligvis tvetydigt. Så Gartner diskuterede problemet med at evaluere effekterne af datateams på deres førende konference om data og analyser dette år.
Ifølge Gartners undersøgelse har der siden 1975 været et støt fald i andelen af virksomheder, der måler den specifikke økonomiske effekt af dataanalyseprojekter (omsætningsvækst, omkostningsreduktion, produktivitetsvækst og risikoreduktion). Allerede i 2020 var mere end 90 % af investeringerne i data (mod 17 % i 1975) begrundet i de såkaldte strategiske mål: skabelsen af innovationer, data som et aktiv og brandværdi.
Og så kan man tale meget om, hvordan og hvorfor vi kom til dette, og hvad der vil ske næste gang på baggrund af de samlende skyer i det globale makroøkonomiske miljø.
Hvorfor har tendensen dannet sig?
At begrunde effekten af dataanalyse i form af strategiske mål er i mange tilfælde ganske normalt. Udviklingen af branchen i de seneste år er allerede blevet tydelig for alle, ser det ud til: ChatGPT her gør det sidste skud til den sidste tvivler. I øjeblikket af et gennembrud ønsker ingen virksomhed, der ønsker at overleve, at forblive håbløst bagud.
At retfærdiggøre effekten med strategiske mål er nogle gange påtvunget, når man ikke investerer i at forstå, hvilke reelle økonomiske effekter investeringer i data kan medføre, og hvordan dette kan måles. Mange virksomheder investerer enorme tal i projekter, der skal forbedre forretningsprocesser baseret på data, men samtidig sparer de på at skabe en metodik til at evaluere effekterne af disse projekter (AB-test, post-investeringsanalyse af dataprojekter osv.). For hvert nyt projekt hænger sådanne virksomheder mere og mere fast i usikkerhedsfælden; for dem vokser risikoen for den endelige konkurs for al dataaktivitet, eller datateamet er overoppustet uden at forstå succesen af deres aktiviteter.
Samtidig har indførelsen af sådanne metoder i praksis altid resulteret i de største effekter på alle dataprojekter.
Hvad sker der nu?
Den mørke side er dataholds voksende sårbarhed i en vanskelig makroøkonomisk situation på verdensmarkederne. Hvis 90 % af effekterne af nogle typer hold ikke kan "røres", fordi de er et sted i en lys fremtid, når den økonomiske krise forstærkes, vil det være disse hold, der bliver de første, der bliver ramt. Desværre blev begyndelsen af denne tendens stort set bekræftet i 2022, og en række store fyringer i store virksomheder.
Den lyse side er den øgede interesse for reelle økonomiske konsekvensanalyser. På baggrund af alt ovenstående forventer vi, at der i 2024–2025 vil ske et trendskifte, og flere investeringer vil være begrundet i en reel økonomisk effekt.
Og det vil betyde en øget interesse for metoder som Reliable ML: hvordan man organiserer datateams arbejde, så effekten af deres aktiviteter er målbar og økonomisk positiv. For at gøre dette skal du tænke på ML-systemdesign (for ikke at komme ind i åbenlyst urentable eller urealiserbare projekter), kausal slutning (for ikke at falde i fælden med falske mønstre) og AB-test (for korrekt forstå, om din prototype vil give penge ved skalering).
Læs flere relaterede nyheder:
Ansvarsfraskrivelse
I tråd med den Trust Project retningslinjer, bemærk venligst, at oplysningerne på denne side ikke er beregnet til at være og ikke skal fortolkes som juridiske, skattemæssige, investeringsmæssige, finansielle eller nogen anden form for rådgivning. Det er vigtigt kun at investere, hvad du har råd til at tabe, og at søge uafhængig finansiel rådgivning, hvis du er i tvivl. For yderligere information foreslår vi at henvise til vilkårene og betingelserne samt hjælpe- og supportsiderne fra udstederen eller annoncøren. MetaversePost er forpligtet til nøjagtig, objektiv rapportering, men markedsforholdene kan ændres uden varsel.
Om forfatteren
Damir er teamleder, produktchef og redaktør på Metaverse Post, der dækker emner som AI/ML, AGI, LLM'er, Metaverse og Web3-relaterede felter. Hans artikler tiltrækker et massivt publikum på over en million brugere hver måned. Han ser ud til at være en ekspert med 10 års erfaring i SEO og digital markedsføring. Damir er blevet nævnt i Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto og andre publikationer. Han rejser mellem UAE, Tyrkiet, Rusland og SNG som en digital nomade. Damir tog en bachelorgrad i fysik, som han mener har givet ham de kritiske tænkningskompetencer, der er nødvendige for at få succes i internettets evigt skiftende landskab.
Flere artiklerDamir er teamleder, produktchef og redaktør på Metaverse Post, der dækker emner som AI/ML, AGI, LLM'er, Metaverse og Web3-relaterede felter. Hans artikler tiltrækker et massivt publikum på over en million brugere hver måned. Han ser ud til at være en ekspert med 10 års erfaring i SEO og digital markedsføring. Damir er blevet nævnt i Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto og andre publikationer. Han rejser mellem UAE, Tyrkiet, Rusland og SNG som en digital nomade. Damir tog en bachelorgrad i fysik, som han mener har givet ham de kritiske tænkningskompetencer, der er nødvendige for at få succes i internettets evigt skiftende landskab.