- Инициативы в области ИИ сопряжены со значительными затратами: помимо программного обеспечения, оборудования и услуг ключевым фактором ценообразования становятся данные.
- Стоимость проектов ИИ можно снизить, начав с малого масштаба, часто проводя итерации и тестируя готовые модели.
- Хотя разработка собственной модели ИИ может потребовать больших первоначальных вложений, оценка затрат необходима для глубокого понимания структуры команды, управления данными и постоянного мониторинга.
Поскольку усилия по ИИ обеспечивают новые решения в нескольких отраслях, они привлекли большое внимание в сфере технических инноваций. Хотя волнение вокруг обещаний ИИ понятно, необходимо раскрыть реальные затраты, связанные с этими дерзкими планами. Разбивка сложных затрат на проекты ИИ, которые выходят далеко за рамки традиционных бюджетных ограничений, — вот где находится настоящая история. Становится критически важным понять как видимые, так и нематериальные затраты, поскольку компании работают со сложностями внедрения ИИ. Финансовая картина программ ИИ влияет на каждый фактор, включая сложность данных и состав команды.
Изучение затрат на проекты ИИ
Стандартные модели затрат явно не способны охватить весь спектр сборов, когда смотришь более внимательно на затраты, связанные с инициативами ИИ. Эта повторяющаяся тема привлекает внимание к сложности затрат на ИИ, а также к необходимости данных как жизненно важного компонента. Помимо традиционной троицы программного обеспечения, оборудования и услуг, сама сложность и объем данных имеют существенные финансовые последствия. Оказывается, подготовка, планирование и очистка данных являются основными переменными затрат, что подчеркивает важность распределения ресурсов и планирования.
Чтобы упростить вещи, есть 5 факторов за стоимостью ИИ
Тип программного обеспечения, которое вы хотите разработать. Любой инструмент или программа, имитирующая человеческий интеллект путем принятия решений на основе обрабатываемых данных, называется искусственным интеллектом.
Уровень интеллекта, которого вы хотите достичь. Люди часто думают о голографических аватарах из «Бегущего по лезвию 2049» и роботах Boston Dynamics, когда обсуждают искусственный интеллект. На самом деле, большинство коммерческих решений ИИ попадают в категорию узкого ИИ, поскольку они предназначены исключительно для выполнения конкретных задач.
Количество и качество данных, которые вы планируете предоставить своей системе. Качество искусственного интеллекта зависит от объема данных, на которых он обучен; алгоритмы становятся более профессиональными, чем больше данных они обрабатывают.
Большие языковые модели (LLM), пример инструмента разработки приложений для ИИ, который уже обучен, значительно упрощают процесс обучения.
Желаемый уровень алгоритмической правильности. Тип приложения, которое вы используете, и ограничения, которые вы накладываете на ваше решение ИИ, напрямую повлияют на то, насколько точными будут его прогнозы.
Тот факт, что менеджеры проектов ИИ обычно недооценивают общую стоимость систем ИИ, может оказать большое влияние на ваш проект. Общая стоимость проекта ИИ определяется рядом факторов. Построение собственных моделей ИИ вместо их покупки — одна из них. Местоположение реального тестирования и применения модели также должно учитываться. Естественно, вам также необходимо учитывать каждый аспект инженерии данных.
Стратегии снижения затрат
Искры финансовой подотчетности среди технологического волнения предлагаются возможностями снижения затрат, которые возникают в лабиринте расходов на проекты ИИ. Расходы на проект можно держать под контролем, используя методологию «большая идея, маленький старт, итерация» в качестве руководства. Ясно, насколько важен объем проекта, когда меньшие итерации позволяют быстро корректировать курс и стратегии сокращения затрат.
Использование и разработка модели, ранее созданной кем-то другим, является одним из методов контроля объема. Это будет наименее дорогим и итерироваться быстрее. Идите вперед и используйте его, если он уже доступен. Один из лучших способов начать малым — это таким образом. Это объясняет, почему фундаментальные модели и LLM так популярны в настоящее время. Это недорого, быстро итерировать, и имеет очень короткий возможный период возврата. Использование чужой модели, следовательно, является отличным выбором, если стоимость является соображением для вас, и у вас может не быть много денег.
Почему терпят неудачу проекты ИИ
Большинство неудачных проектов ИИ называют «лунными полетами» — неразумно амбициозными начинаниями, движимыми идеалистичными ИТ-директорами и учеными по данным, которые хотят «кардинально изменить десятилетиями сложившиеся операции нашей организации». Такие проекты могут занять вечность, поэтому имеет смысл, что в конечном итоге руководство корпорации перестанет вкладывать в них деньги в надежде увидеть какую-либо реальную ценность.
Очень простая версия уникальной системы, которую вы надеетесь построить, может легко стоить вам несколько тысяч долларов, в то время как трудно оценить стоимость создания и развертывания программы искусственного интеллекта, не погружаясь в специфику вашего проекта. С другой стороны, если вы рассматриваете возможность использования сервисов plug-and-play, предварительно обученных моделей ML или концепции доказательства, вы все еще можете начать с меньшего бюджета.
Не просто читайте новости о криптовалютах. Понимайте их. Подпишитесь на нашу рассылку. Это бесплатно.
Отказ от ответственности. Предоставленная информация не является торговой рекомендацией. Cryptopolitan.com Мы не несем ответственности за любые инвестиции, сделанные на основе информации, представленной на этой странице. Мы настоятельно рекомендуем проводить независимое исследование и/или проконсультироваться с квалифицированным специалистом перед принятием любых инвестиционных решений.
Амир Шейх
Амир — технологический журналист с почти шестилетним опытом работы в индустриях криптовалют и технологий. Он окончил университет MAJ, получив степень MBA по финансам и маркетингу. Сейчас он работает в Cryptopolitan, где освещает последние события на рынке криптовалют и прогнозы цен.
