Η λειτουργία του μοντέλου ML είναι βασική πρόκληση και ευκαιρία για το 2023

Καθώς οδεύουμε προς το 2023, οι επαγγελματίες μηχανικής μάθησης (ML) κάνουν απολογισμό της χρονιάς που πέρασε και εντοπίζουν πιθανές βασικές ευκαιρίες που προχωρούν. Για το σκοπό αυτό, η εταιρεία μου ρώτησε πρόσφατα 200 υπεύθυνους λήψης αποφάσεων ML με έδρα τις ΗΠΑ για να κατανοήσει καλύτερα ποιες μπορεί να είναι αυτές οι ευκαιρίες. Ένας τομέας στον οποίο εστιάσαμε ήταν η πρόκληση πίσω από την επιχειρησιακή λειτουργία μάθηση μηχανής, το οποίο οι ερωτηθέντες επισήμαναν ως βασικό ζήτημα.

Ενώ η μηχανική μάθηση μπορεί να προσφέρει μεγάλη αξία σε οργανισμούς σε κάθε κλάδο, είναι σημαντικό να αναγνωρίσουμε ότι οι επιχειρήσεις μπορούν να πραγματοποιήσουν αυτήν την αξία μόνο όταν μπορούν να λειτουργήσουν ένα μοντέλο ML. Έχοντας αυτό κατά νου, εδώ είναι μερικά από τα πιο ενδιαφέροντα ευρήματα από την έρευνά μας, καθώς και σκέψεις για το πώς το Κατηγορία MLOps μπορεί να σταθεί στο ύψος των περιστάσεων και να βελτιωθεί για να κάνει το ML πιο χρήσιμο και προσβάσιμο σε όλους τους κλάδους. 

Η αδυναμία λειτουργικότητας των μοντέλων ML βλάπτει τα έσοδα

Όταν ρωτήσαμε τους ειδικούς μηχανικής μάθησης εάν οι οργανισμοί τους αντιμετώπιζαν πρόκληση να δημιουργήσουν επιχειρηματική και εμπορική αξία από επενδύσεις ML – με την ανάπτυξη ή την παραγωγή αγωγών και έργων μηχανικής μάθησης σε κλίμακα – σχεδόν όλοι (86%) συμφώνησαν, με σχεδόν το ένα τρίτο (29%) λέγοντας ότι ήταν «πολύ αμφισβητούμενοι». Ομοίως, σχεδόν τα τρία τέταρτα δήλωσαν ότι η εταιρεία τους έχανε έσοδα ή δημιουργία αξίας λόγω των προκλήσεων στη λειτουργία της ML σε κλίμακα, με περίπου τα μισά να περιγράφουν αυτές τις προκλήσεις είτε ως «σοβαρές» ή «πολύ σοβαρές». 

Προφανώς, αυτοί οι αριθμοί μιλούν για θεμελιώδη ζητήματα που πρέπει να επιλυθούν το 2023 και μετά. Για παράδειγμα, η ανάγκη για περισσότερες επενδύσεις σε εργαλεία για την υποστήριξη βασικών διαδικασιών μηχανικής εκμάθησης για τη βελτίωση της ανάπτυξης, της ανάπτυξης και της συντήρησης των μοντέλων. Εκτός από την εστίαση στην αυτοματοποίηση της διαδικασίας κατασκευής, δοκιμής, ανάπτυξης και διαχείρισης μοντέλων μηχανικής μάθησης σε περιβάλλον παραγωγής, ενισχύοντας τη συνεργασία, τη διαχείριση έργου και τη λειτουργικότητα.

Οι επενδύσεις στον Αυτοματισμό Διαδικασιών ML θα αποτελέσουν προτεραιότητα

Ορισμένοι στον κλάδο πιστεύουν ότι μια ύφεση θα υπονομεύσει τις επενδύσεις AI και μηχανικής μάθησης. Στην πραγματικότητα, οι δαπάνες είναι πιθανό να συνεχιστούν. Ωστόσο, αυτό που θα αλλάξει είναι οι τύποι AI και ML στους οποίους θα θέλουν να επενδύσουν οι εταιρείες. 

Αναμένω ότι οι εταιρείες θα επενδύσουν σε τεχνολογίες που μπορούν να βελτιώσουν την αποδοτικότητα και την παραγωγικότητα στο άμεσο μέλλον. Καθώς οι εταιρείες προσπαθούν να βελτιστοποιήσουν το κόστος και να εξορθολογίσουν τις δραστηριότητές τους το 2023, πιθανότατα θα στραφούν σε πλατφόρμες AI και ML για να τις βοηθήσουν να αυτοματοποιήσουν διαδικασίες και εργασίες σε μεγάλη κλίμακα. Αυτοματοποιώντας αυτές τις συνήθεις δραστηριότητες, λειτουργίες και συστήματα, οι εταιρείες μπορούν να απελευθερώσουν κεφάλαια, ταλέντα και άλλους πολύτιμους πόρους για να επικεντρωθούν σε έργα πιο υψηλού επιπέδου με προστιθέμενη αξία. Αυτό θα τους επιτρέψει να απελευθερώσουν πόρους και να εξοικονομήσουν κόστος γρήγορα, βελτιώνοντας τελικά την κερδοφορία τους και τον χρόνο τους στην αγορά. 

Βλέπουμε επίσης αυτή την τάση προς την αυτοματοποιημένη βελτιστοποίηση να διαδραματίζεται στην έρευνα, καθώς οι ηγέτες εξέφρασαν ενδιαφέρον για συνεχή επένδυση σε πόρους για τη μεγιστοποίηση των διαδικασιών ML, ιδιαίτερα της αυτοματοποίησης και της ενορχήστρωσης. Με την αυτοματοποίηση των λειτουργιών ML τους, οι οργανισμοί μπορούν να κάνουν περισσότερα με λιγότερα, και αυτή η εστίαση στην αποτελεσματικότητα και την παραγωγικότητα είναι ιδιαίτερα πολύτιμη σε περιόδους οικονομικής ύφεσης.

Ασαφείς στόχοι που βλάπτουν τη λειτουργικότητα

Δεν αποτελεί έκπληξη το γεγονός ότι υπάρχει μια αποσύνδεση μεταξύ των οργανισμών και των έργων μηχανικής μάθησης τους, η οποία επηρεάζει τη λειτουργικότητα των μοντέλων. Η μελέτη μας διαπίστωσε ότι σχεδόν το 20% των ερωτηθέντων ισχυρίζονται ότι «ασαφής οργανωτική στρατηγική και στόχοι» αποτελούν πρόκληση για τη λειτουργικότητα της ML σε κλίμακα εντός της εταιρείας τους. 

Για να λυθεί αυτό, οι οργανισμοί πρέπει να υιοθετήσουν μια πιο ολιστική προσέγγιση στη ροή εργασιών ML τους, διασφαλίζοντας ότι υπάρχει μεγαλύτερη σαφήνεια για τον σκοπό και τον αντίκτυπο του ML στον οργανισμό σε όλο τον πίνακα. Αυτό σημαίνει ότι οι ομάδες ML και οι ηγέτες του C-suite θα πρέπει να συνεργαστούν για να προσδιορίσουν τους συγκεκριμένους επιχειρηματικούς στόχους και στόχους που ο οργανισμός ελπίζει να επιτύχει μέσω των πρωτοβουλιών μηχανικής μάθησης. Αυτό θα πρέπει να περιλαμβάνει τον καθορισμό μετρήσεων για την επιτυχία, όπως αυξημένα έσοδα ή βελτιωμένη ικανοποίηση πελατών. Σημαίνει επίσης ότι και οι δύο ομάδες θα πρέπει να εξετάζουν και να αξιολογούν τακτικά την πρόοδο στις πρωτοβουλίες ML για να διασφαλίσουν ότι είναι επίτευξη των στόχων τους και αποδίδοντας την αναμενόμενη αξία. Κλείνοντας αυτό το χάσμα μεταξύ των ομάδων ML, των DevOps και του C-suite και δημιουργώντας περισσότερη διαφάνεια και συνεργασία, ο κλάδος μπορεί να αντιμετωπίσει καλύτερα αυτό το εμπόδιο ασαφούς στρατηγικής και στόχων.

Συνοψίζοντας, η έρευνά μας δείχνει ότι η λειτουργικότητα ML είναι μια βασική πρόκληση καθώς και μια ευκαιρία για επενδύσεις και ανάπτυξη το 2023. Καθώς οι οργανισμοί προσπαθούν να βελτιστοποιήσουν τις επενδύσεις σε ένα δύσκολο οικονομικό περιβάλλον το επόμενο έτος, πιστεύω ότι η επίτευξη αριστείας στη λειτουργικότητα ML θα είναι κορυφαία προτεραιότητα.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• πηγή: https://www.dataversity.net/ml-model-operationalization-is-a-key-challenge-and-opportunity-for-2023/