يعد تشغيل نموذج ML أحد التحديات الرئيسية والفرصة لعام 2023

مع اقترابنا من عام 2023 ، يقوم متخصصو التعلم الآلي (ML) بتقييم العام الماضي وتحديد الفرص الرئيسية المحتملة للمضي قدمًا. تحقيقًا لهذه الغاية ، قامت شركتي مؤخرًا باستطلاع آراء 200 من صانعي القرار في ML في الولايات المتحدة لفهم أفضل لهذه الفرص. كان أحد المجالات التي ركزنا عليها هو التحدي الكامن وراء التشغيل آلة التعلم، والتي أشار المستجيبون إلى أنها مشكلة رئيسية.

في حين أن التعلم الآلي يمكن أن يجلب قدرًا كبيرًا من القيمة للمؤسسات في كل صناعة ، فمن المهم أن ندرك أن الشركات يمكنها فقط تحقيق هذه القيمة عندما يمكنها تشغيل نموذج ML. مع وضع ذلك في الاعتبار ، إليك بعض النتائج الأكثر إثارة للاهتمام من بحثنا ، بالإضافة إلى أفكار حول كيفية عمل فئة MLOps يمكن أن يرتقي إلى مستوى المناسبة ويتحسن لجعل ML أكثر فائدة ويمكن الوصول إليه عبر الصناعات. 

عدم القدرة على تفعيل نماذج ML يضر بالإيرادات

عندما سألنا خبراء التعلم الآلي عما إذا كانت مؤسساتهم تواجه تحديًا في إنشاء أعمال وقيمة تجارية من استثمارات التعلم الآلي - من خلال نشر خطوط أنابيب ومشاريع التعلم الآلي أو تحويلها إلى منتجات على نطاق واسع - وافق الجميع تقريبًا (86٪) ، مع ما يقرب من الثلث (29٪) قائلين إنهم "يواجهون تحديات كبيرة". وبالمثل ، قال ثلاثة أرباع الشركة تقريبًا إن شركتهم تخسر عائدات أو خلق قيمة بسبب التحديات في تشغيل ML على نطاق واسع ، ووصف نصفهم تقريبًا هذه التحديات بأنها إما "خطيرة" أو "شديدة جدًا". 

من الواضح أن هذه الأرقام تتحدث عن قضايا أساسية يجب حلها في عام 2023 وما بعده. على سبيل المثال ، الحاجة إلى مزيد من الاستثمار في الأدوات لدعم عمليات التعلم الآلي الأساسية لتحسين تطوير النماذج ونشرها وصيانتها. بالإضافة إلى التركيز على أتمتة عملية بناء نماذج التعلم الآلي واختبارها ونشرها وإدارتها في بيئة إنتاج ، وتعزيز التعاون وإدارة المشاريع والتشغيل.

ستكون الاستثمارات في أتمتة عمليات التعلم الآلي من الأولويات

يعتقد البعض في الصناعة أن الركود سيقوض استثمارات الذكاء الاصطناعي والتعلم الآلي. في الواقع ، من المرجح أن يستمر الإنفاق. ومع ذلك ، فإن ما سيتغير هو أنواع الذكاء الاصطناعي والتعلم الآلي التي ترغب الشركات في الاستثمار فيها. 

أتوقع أن تستثمر الشركات في التقنيات التي يمكنها تحسين الكفاءة والإنتاجية في المدى القريب. نظرًا لأن الشركات تتطلع إلى تحسين التكاليف وتبسيط عملياتها في عام 2023 ، فمن المحتمل أن تلجأ إلى منصات الذكاء الاصطناعي والتعلم الآلي لمساعدتها على أتمتة العمليات والمهام على نطاق واسع. من خلال أتمتة هذه الأنشطة والوظائف والأنظمة الروتينية ، يمكن للشركات تحرير رأس المال والمواهب والموارد القيمة الأخرى للتركيز على المزيد من المشاريع عالية المستوى وذات القيمة المضافة. سيسمح لهم ذلك بتحرير الموارد وتوفير التكاليف بسرعة ، مما يؤدي في النهاية إلى تحسين ربحيتهم ووقتهم في السوق. 

نرى أيضًا هذا الاتجاه نحو التحسين الآلي يلعب دوره في الاستطلاع ، حيث أعرب القادة عن اهتمامهم بالاستثمار المستمر في الموارد لتعظيم عمليات تعلم الآلة ، وخاصة الأتمتة والتنسيق. من خلال أتمتة عمليات التعلم الآلي الخاصة بها ، يمكن للمؤسسات أن تفعل المزيد بموارد أقل ، وهذا التركيز على الكفاءة والإنتاجية له قيمة خاصة في أوقات الانكماش الاقتصادي.

أهداف غير واضحة تضر بالتشغيل

ليس من المستغرب أن يكون هناك انفصال بين المؤسسات ومشاريع التعلم الآلي الخاصة بها ، مما يؤثر على تشغيل النماذج. وجدت دراستنا أن ما يقرب من 20٪ من المستجيبين يقولون إن "الإستراتيجية والأهداف التنظيمية غير الواضحة" تتحدى تفعيل ML على نطاق واسع داخل شركتهم. 

لحل هذه المشكلة ، يجب على المؤسسات اتباع نهج شامل لسير عمل ML الخاص بهم ، مما يضمن وجود المزيد من الوضوح في هدف ML وتأثيره على المؤسسة في جميع المجالات. وهذا يعني أن فرق التعلم الآلي وقادة الجناح التنفيذيين يجب أن يعملوا معًا لتحديد أهداف وغايات العمل المحددة التي تأمل المنظمة في تحقيقها من خلال مبادرات التعلم الآلي الخاصة بها. يجب أن يشمل ذلك تحديد مقاييس النجاح ، مثل زيادة الإيرادات أو تحسين رضا العملاء. وهذا يعني أيضًا أنه يجب على كلا الفريقين مراجعة وتقييم التقدم المحرز في مبادرات غسل الأموال بانتظام للتأكد من أنها كذلك تحقيق أهدافهم وتقديم القيمة المتوقعة. في سد هذه الفجوة بين فرق التعلم الآلي و DevOps و C-suite وخلق المزيد من الشفافية والتعاون ، يمكن للصناعة أن تعالج بشكل أفضل عقبة الإستراتيجية والأهداف غير الواضحة.

للتلخيص ، يُظهر بحثنا أن تشغيل ML يمثل تحديًا رئيسيًا وكذلك فرصة للاستثمار والنمو في عام 2023. نظرًا لأن المؤسسات تتطلع إلى تحسين الاستثمارات في بيئة اقتصادية صعبة العام المقبل ، أعتقد أن تحقيق التميز في تشغيل ML سيكون على رأس القائمة أولوية.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
• المصدر https://www.dataversity.net/ml-model-operationalization-is-a-key-challenge-and-opportunity-for-2023/