Operationalisering af ML-model er en nøgleudfordring og -mulighed for 2023

Genudgivet af Platon

Abonnenter: 0

Når vi går ind i 2023, gør maskinlæringsprofessionelle (ML) status over det seneste år og identificerer potentielle nøglemuligheder fremover. Til det formål spurgte mit firma for nylig 200 USA-baserede ML-beslutningstagere for bedre at forstå, hvad disse muligheder kunne være. Et område, vi fokuserede på, var udfordringen bag operationalisering machine learning, som respondenterne markerede som et nøgleproblem.

Selvom maskinlæring kan tilføre en stor del værdi til organisationer i alle brancher, er det vigtigt at erkende, at virksomheder kun kan aktualisere denne værdi, når de kan operationalisere en ML-model. Med det i tankerne er her nogle af de mest interessante resultater fra vores forskning, plus tanker om, hvordan MLOps kategori kan løfte sig til lejligheden og forbedre for at gøre ML mere nyttig og tilgængelig på tværs af brancher.

Manglende evne til at operationalisere ML-modeller skader omsætningen

Da vi spurgte maskinlæringseksperter, om deres organisationer blev udfordret til at skabe forretningsmæssig og kommerciel værdi fra ML-investeringer – ved at implementere eller produktisere maskinlæringspipelines og projekter i stor skala – var stort set alle (86 %) enige med næsten en tredjedel (29 %). sagde, at de var "meget udfordrede". På samme måde sagde næsten tre fjerdedele, at deres virksomhed gik glip af omsætning eller værdiskabelse på grund af udfordringer med at operationalisere ML i stor skala, hvor omkring halvdelen beskriver disse udfordringer som enten "alvorlige" eller "meget alvorlige."

Disse tal taler naturligvis om grundlæggende problemer, der skal løses i 2023 og derefter. For eksempel behovet for flere investeringer i værktøjer til at understøtte grundlæggende maskinlæringsprocesser for at forbedre udvikling, implementering og vedligeholdelse af modeller. Samt fokus på at automatisere processen med at bygge, teste, implementere og administrere maskinlæringsmodeller i et produktionsmiljø, forbedre samarbejde, projektledelse og operationalisering.

Investeringer i ML-procesautomatisering vil være en prioritet

Nogle i branchen mener, at en recession vil undergrave AI og maskinlæringsinvesteringer. I virkeligheden vil udgifterne sandsynligvis fortsætte. Det, der dog vil ændre sig, er de typer af AI og ML, som virksomheder vil ønske at investere i.

Jeg forventer, at virksomheder vil investere i teknologier, der kan forbedre effektiviteten og produktiviteten på kort sigt. Da virksomheder søger at optimere omkostningerne og strømline deres drift i 2023, vil de sandsynligvis henvende sig til AI- og ML-platforme for at hjælpe dem med at automatisere processer og opgaver i stor skala. Ved at automatisere disse rutinemæssige aktiviteter, funktioner og systemer kan virksomheder frigøre kapital, talent og andre værdifulde ressourcer til at fokusere på mere værdiskabende projekter på højt niveau. Dette vil give dem mulighed for at frigøre ressourcer og spare omkostninger hurtigt, hvilket i sidste ende forbedrer deres rentabilitet og time-to-market.

Vi ser også denne tendens til automatiseret optimering udspille sig i undersøgelsen, da ledere udtrykte interesse for fortsat investering i ressourcer for at maksimere ML-processer, især automatisering og orkestrering. Ved at automatisere deres ML-drift kan organisationer gøre mere med mindre, og dette fokus på effektivitet og produktivitet er særligt værdifuldt i tider med økonomisk afmatning.

Uklare mål, der skader operationalisering

Ikke overraskende er der en afbrydelse mellem organisationer og deres maskinlæringsprojekter, hvilket påvirker operationaliseringen af modeller. Vores undersøgelse viste, at næsten 20 % af de adspurgte hævder, at "uklare organisatoriske strategier og mål" udfordrer operationalisering af ML i stor skala i deres virksomhed.

For at løse dette skal organisationer have en mere holistisk tilgang til deres ML-arbejdsgang, hvilket sikrer, at der er mere klarhed over ML's formål og indflydelse på organisationen over hele linjen. Dette betyder, at ML-teams og C-suite-ledere bør arbejde sammen for at identificere de specifikke forretningsmål og mål, som organisationen håber at opnå gennem sine maskinlæringsinitiativer. Dette bør omfatte at definere målinger for succes, såsom øget omsætning eller forbedret kundetilfredshed. Det betyder også, at begge teams regelmæssigt bør gennemgå og vurdere fremskridt med ML-initiativer for at sikre, at de er det opfylder deres mål og levere den forventede værdi. Ved at lukke dette hul mellem ML-teams, DevOps og C-suiten og skabe mere gennemsigtighed og samarbejde, kan industrien bedre håndtere denne hindring med uklar strategi og mål.

For at opsummere viser vores forskning, at ML operationalisering er en nøgleudfordring såvel som en mulighed for investering og vækst i 2023. Da organisationer søger at optimere investeringer i et udfordrende økonomisk miljø næste år, tror jeg, at opnå ekspertise inden for ML operationalisering vil være en top prioritet.