La operacionalización del modelo ML es un desafío y una oportunidad clave para 2023

A medida que nos acercamos al 2023, los profesionales del aprendizaje automático (ML) están haciendo un balance del año pasado e identificando posibles oportunidades clave para avanzar. Con ese fin, mi compañía encuestó recientemente a 200 tomadores de decisiones de ML con sede en EE. UU. para comprender mejor cuáles podrían ser esas oportunidades. Un área en la que nos enfocamos fue el desafío detrás de operacionalizar máquina de aprendizaje, que los encuestados señalaron como un tema clave.

Si bien el aprendizaje automático puede brindar una gran cantidad de valor a las organizaciones en todas las industrias, es importante reconocer que las empresas solo pueden actualizar ese valor cuando pueden poner en funcionamiento un modelo de ML. Con eso en mente, estos son algunos de los hallazgos más interesantes de nuestra investigación, además de ideas sobre cómo el categoría MLOps puede estar a la altura de las circunstancias y mejorar para hacer que ML sea más útil y accesible en todas las industrias. 

La incapacidad de hacer operativos los modelos de ML perjudica los ingresos

Cuando les preguntamos a los expertos en aprendizaje automático si sus organizaciones se enfrentaron al desafío de crear valor empresarial y comercial a partir de las inversiones de ML, mediante la implementación o la producción de canalizaciones y proyectos de aprendizaje automático a escala, prácticamente todos (86 %) estuvieron de acuerdo, con casi un tercio (29 %). diciendo que estaban "muy desafiados". Del mismo modo, casi las tres cuartas partes dijeron que su empresa estaba perdiendo ingresos o creación de valor debido a los desafíos para poner en funcionamiento el ML a escala, y aproximadamente la mitad describió estos desafíos como "graves" o "muy graves". 

Obviamente, estos números hablan de problemas fundamentales que deben resolverse en 2023 y más allá. Por ejemplo, la necesidad de una mayor inversión en herramientas para respaldar los procesos básicos de aprendizaje automático para mejorar el desarrollo, la implementación y el mantenimiento de modelos. Además de un enfoque en la automatización del proceso de creación, prueba, implementación y gestión de modelos de aprendizaje automático en un entorno de producción, mejorando la colaboración, la gestión de proyectos y la puesta en funcionamiento.

Las inversiones en automatización de procesos de ML serán una prioridad

Algunos en la industria creen que una recesión socavará las inversiones en inteligencia artificial y aprendizaje automático. En realidad, es probable que el gasto continúe. Sin embargo, lo que cambiará son los tipos de IA y ML en los que las empresas querrán invertir. 

Anticipo que las empresas invertirán en tecnologías que puedan mejorar la eficiencia y la productividad a corto plazo. A medida que las empresas busquen optimizar costos y agilizar sus operaciones en 2023, es probable que recurran a plataformas de inteligencia artificial y aprendizaje automático para ayudarlas a automatizar procesos y tareas a gran escala. Al automatizar estas actividades, funciones y sistemas rutinarios, las empresas pueden liberar capital, talento y otros recursos valiosos para enfocarse en proyectos de valor agregado de más alto nivel. Esto les permitirá liberar recursos y ahorrar costos rápidamente, mejorando en última instancia su rentabilidad y el tiempo de comercialización. 

También vemos esta tendencia hacia la optimización automatizada en la encuesta, ya que los líderes expresaron interés en la inversión continua en recursos para maximizar los procesos de ML, especialmente la automatización y la orquestación. Al automatizar sus operaciones de ML, las organizaciones pueden hacer más con menos, y este enfoque en la eficiencia y la productividad es particularmente valioso en tiempos de recesión económica.

Objetivos poco claros que dañan la operacionalización

No es sorprendente que haya una desconexión entre las organizaciones y sus proyectos de aprendizaje automático, lo que está afectando la puesta en funcionamiento de los modelos. Nuestro estudio encontró que casi el 20% de los encuestados afirman que la "estrategia y los objetivos organizacionales poco claros" son un desafío para poner en funcionamiento el aprendizaje automático a escala dentro de su empresa. 

Para resolver esto, las organizaciones deben adoptar un enfoque más holístico para su flujo de trabajo de ML, asegurando que haya más claridad sobre el propósito y el impacto de ML en la organización en todos los ámbitos. Esto significa que los equipos de ML y los líderes de C-suite deben trabajar juntos para identificar las metas y objetivos comerciales específicos que la organización espera lograr a través de sus iniciativas de aprendizaje automático. Esto debe incluir la definición de métricas para el éxito, como mayores ingresos o mayor satisfacción del cliente. También significa que ambos equipos deben revisar y evaluar regularmente el progreso de las iniciativas de LD para asegurarse de que sean cumpliendo sus metas y entregando el valor esperado. Al cerrar esta brecha entre los equipos de ML, DevOps y el C-suite y crear más transparencia y colaboración, la industria puede abordar mejor este obstáculo de estrategias y objetivos poco claros.

Para resumir, nuestra investigación muestra que la operacionalización de ML es un desafío clave, así como una oportunidad de inversión y crecimiento en 2023. A medida que las organizaciones buscan optimizar las inversiones en un entorno económico desafiante el próximo año, creo que lograr la excelencia en la operacionalización de ML será uno de los principales. prioridad.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
• Fuente: https://www.dataversity.net/ml-model-operationalization-is-a-key-challenge-and-opportunity-for-2023/