首席信息官面臨加速開發更多AI應用的壓力——《華爾街日報》

Landing AI創始人兼首席執行官吳恩達（Andrew Ng）製作了一張圖片，該圖片藉助公司的工具，可幫助快速構建對野火探測有用的計算機視覺算法。圖片來源：Isabelle Bousquette / 華爾街日報經濟緊縮和ChatGPT的爆紅正刺激着企業對全新企業級人工智能應用的興趣。但首席信息官們表示，由於構建、訓練和推出人工智能模型需要時間和成本，他們無法滿足需求。

AmeriSave Mortgage Corp.首席信息與戰略官Magesh Sarma表示，他的團隊收到了大量請求，要求構建旨在解決各種成本問題的人工智能應用。

“我們無法對所有請求都説’是’，“Sarma先生説。

算法可能包含大量變量和約束，構建起來既耗時又昂貴。他表示，他的團隊花了幾年時間，每年大約花費2000萬至3000萬美元，構建了一個複雜的算法，用於處理貸款承銷流程的某些部分。他補充説，每個算法都是獨特的，根據其範圍、規模和變量數量，需要不同的時間和資金投入。

一般來説，大部分成本是數據科學家和機器學習工程師的工資，他們編寫算法，用數據訓練算法，測試算法，調整算法，然後在部署後監控算法。這些職位的薪酬有所上漲，部分原因是可用人才的稀缺。

根據艾迪生集團旗下人力資源公司Mondo的數據，2022年數據科學家的薪資中位數為15.6萬美元，較2021年的15.184萬美元有所增長。

薩瑪先生表示，隨着利率上升對抵押貸款行業造成壓力，他所在的部門面臨一些削減。但由76名員工組成的人工智能團隊因其商業價值而成為受影響最小的部門之一。例如，幫助承銷貸款的算法使AmeriSave的業務規模增長了近1200%，2020年抵押貸款融資額達到242億美元，而兩年前僅為18.6億美元。

初創公司Landing AI創始人兼首席執行官、百度公司前首席科學家吳恩達表示，歷史上，企業優先考慮回報最高的機器學習算法，而對那些可能耗資數百萬美元建設但回報較小的較小項目猶豫不決。

然而，他表示，所有這些較小項目的綜合價值往往實際上高於企業通常瞄準的少數高價值項目，而限制機器學習全面應用會帶來巨大損失。

但對於首席信息官們來説，解決這些較小用例的“長尾”問題並非易事。

“一般來説，有太多工作要做，經常會有優先級的競爭，”Aflac公司美國首席信息官希莉亞·安德森表示。

安德森女士表示，她有一個系統來評估通過請求渠道提交給她部門的不同機器學習項目的優先級。她説，交付價值所需的時間是這一過程的關鍵部分。

本月初在世界人工智能戛納節上的一位參展商。圖片來源：埃裏克·蓋拉德/路透社她尚未能攻克的一個領域是利用機器學習算法提升客户留存率。儘管預算是一個因素，但她表示，找到足夠多的合適人才是加快進度的最大障礙。

在XPO公司，首席信息官傑伊·西爾伯克萊特表示，該機構擁有430名技術專家和十幾位數據科學家。但他補充説，試圖更快構建更多算法會伴隨風險。

“如果操之過急且缺乏穩固的反饋機制，人們將不再信任輸出結果，也不會認為這是正確的方法，整個體系就會崩潰，”他説，“人工智能需要循序漸進。”

ChatGPT和其他生成式AI應用的爆火進一步加劇了壓力。儘管部分企業技術專家因可靠性問題對將其整合到企業技術棧感到不安，但該技術能像人類般快速生成商業報告和其他文檔的能力已引起企業董事會的關注。

吳恩達表示，他相信更好的工具——包括他在Landing AI正在開發的那些——可能成為幫助CIO們加速推進的解決方案之一。

“存在成千上萬的問題，”吳先生表示。“我們沒有人能僱傭足夠的機器學習工程師來逐一解決所有這些問題。這就是為什麼我們需要更好的工具。”

吳先生的工具本質上是一種無需編寫代碼即可構建和訓練使用計算機視覺的機器學習算法的方法。他説，該工具適用於計算機視覺的部分原因在於圖像格式只有少數幾種：PNG、GIF或JPEG。而在供應鏈等其他領域，數據種類繁多，很難創建一個統一的建模工具。

“就像電力一樣，人工智能不應僅用於一兩個應用場景，”吳先生説。“因此，許多企業錯失了利用這項能力的眾多機會。”

聯繫記者伊莎貝爾·布斯凱特，郵箱：[email protected]