Comment estimer le retour sur investissement et les coûts des projets d'apprentissage automatique et de science des données ?
Les projets d'apprentissage automatique et de science des données représentent un investissement pour chaque personne impliquée et s'accompagnent de risques associés. Le ROI est l'abréviation de " retour sur investissement " et est utilisé comme une mesure de performance, généralement exprimée sous forme de ratio ou de pourcentage. Dans sa formule la plus basique,
ROI = gains nets
Coût d'investissement
Bien que cette formule semble assez simple, en réalité, ces valeurs doivent être estimées aussi précisément que possible. Cela demande beaucoup de réflexion et de nombreux facteurs doivent être pris en compte.
La durée estimée pour l'ensemble de la période, ainsi que le délai jusqu'à ce que le projet atteigne la rentabilité doivent être pris en compte. Cela peut aider à comparer deux projets contemporains avec un retour sur investissement similaire, ou même à comparer votre projet actuel avec un projet similaire dans le passé.
En fonction de la juridiction dans laquelle le projet se déroule, l'organisation peut être soumise à différents impôts et taxes sur les bénéfices, les employés, les ressources, etc. Cela aura une incidence sur les coûts d'investissement.
L'inflation affecte la valeur réelle de l'argent des produits et des services d'une année à l'autre. Pour les projets qui s'étendent sur des années, voire des décennies, l'inflation prévue peut être prise en compte.
Pour chaque projet dans lequel vous investissez, il y en aura d'autres dans lesquels vous n'investirez pas. À quoi aurait servi cet argent s'il n'avait pas été investi dans votre projet de ML ou de science des données ?
Il s'agit des "dépenses" engagées dans le processus de développement de votre projet. Il peut s'agir de dépenses fiscales, ou de dépenses en termes d'heures de travail des employés, de consommation d'énergie, d'utilisation et de maintenance des infrastructures.
Il est important de décider à l'avance ce qui sera considéré comme des "gains" de ce projet. Il peut s'agir d'un revenu direct ou d'une valeur plus indirecte pour vous ou votre entreprise. Si elle peut être quantifiée, elle peut être comptabilisée comme un bénéfice.
Maintenant que vous avez pris en compte ces facteurs importants, il est temps de calculer réellement le retour sur investissement de votre important projet d'apprentissage automatique ou de science des données, de décider si l'investissement en vaut la peine et de modifier ou d'ajuster vos plans en conséquence.
Nous avons déjà considéré le profit ci-dessus, mais il est temps de procéder à une analyse plus approfondie. Le revenu peut augmenter en tant que sous-produit de votre projet principal - augmentation de la productivité ou développement d'un produit rentable autre que celui qui était prévu. Tous ces facteurs peuvent être pris en compte dans l'estimation du projet.
Cette étape est quelque peu liée à la première : la précision de votre modèle ML est directement liée aux gains que vous pouvez attendre de votre projet. Quelle est la précision de votre algorithme ? Les data scientists utilisent le terme " précision de classification " comme métrique pour évaluer la précision des prédictions d'un algorithme. Mathématiquement, il s'agit du nombre de prédictions correctes divisé par le nombre total d'échantillons saisis, généralement exprimé sous forme de ratio.
L'ère de l'intelligence artificielle a créé un boom des produits d'apprentissage automatique, ce qui signifie qu'il y a beaucoup d'options parmi lesquelles choisir. Le coût de chacun d'entre eux sera difficile à prévoir avec une précision de 100 %. C'est la raison pour laquelle il faut envisager plus d'un produit de manière vraiment impartiale avant de lancer le projet. Parmi les alternatives, citons les logiciels libres, l'externalisation auprès d'équipes compétentes en solutions d'apprentissage automatique ou même la formation d'équipes internes de confiance.
Votre projet est-il réalisable ? C'est à ce stade que votre projet doit bénéficier de l'apport de data scientists compétents et de confiance. Au cours de cette phase, qui peut durer jusqu'à un mois, la nature exacte de votre projet doit être affinée et documentée, la qualité des données évaluée et le niveau de précision réalisable déterminé. Cela se fait par le biais d'une modélisation de base. Les risques encourus et les mesures d'atténuation possibles doivent également être discutés, de même que les coûts liés à toute correction devant être apportée à ce stade. À la fin de tout cela, un rapport de faisabilité complet peut être préparé.
Une grande partie de la recherche doit être effectuée dans l'étape ci-dessus, mais vous pouvez aller plus loin et faire plus de recherche pour glaner plus d'informations, tester des algorithmes, préparer des données et faire plus d'évaluation.
Lorsque toutes les parties prenantes sont satisfaites du résultat de la recherche - un algorithme solide et stable, adapté de manière unique à votre projet - le développement peut officiellement commencer. Félicitations, vous avez réussi à estimer le retour sur investissement de votre projet d'apprentissage automatique ou de science des données, et vous pouvez maintenant vous lancer dans la conquête des étoiles !
augmentez vos projets d'annotation numérique avec notre équipe hautement qualifiée force de travail. Accédez à notre service à la demande force de travail pour obtenir la meilleure qualité pour votre jeu de données annotation.
Nous disposons d'une large gamme de solutions et d'outils qui vous aideront à former vos algorithmes. Cliquez ci-dessous pour en savoir plus !