ML-mallin käyttö on avainhaaste ja mahdollisuus vuodelle 2023

Kun lähestymme vuotta 2023, koneoppimisen (ML) ammattilaiset arvioivat kulunutta vuotta ja tunnistavat mahdollisia avainmahdollisuuksia eteenpäin. Tätä tarkoitusta varten yritykseni kysyi äskettäin 200 yhdysvaltalaista ML-päättäjää ymmärtääkseen paremmin, mitä nämä mahdollisuudet voisivat olla. Yksi alue, johon keskityimme, oli operatiivisuuden takana oleva haaste koneoppiminen, jonka vastaajat pitivät keskeisenä ongelmana.

Vaikka koneoppiminen voi tuoda paljon arvoa organisaatioille kaikilla toimialoilla, on tärkeää ymmärtää, että yritykset voivat toteuttaa tämän arvon vain, kun ne voivat ottaa käyttöön ML-mallin. Tätä silmällä pitäen tässä on joitain tutkimuksemme mielenkiintoisimpia löydöksiä sekä ajatuksia siitä, miten MLOps-luokka voi nousta tilaisuuteen ja parantaa tehdäkseen ML:stä hyödyllisemmän ja saavutettavissa olevan kaikilla toimialoilla. 

Kyvyttömyys ottaa käyttöön ML-malleja vahingoittaa tuloja

Kun kysyimme koneoppimisen asiantuntijoilta, haastettiinko heidän organisaationsa luomaan liiketoimintaa ja kaupallista arvoa ML-investoinneilla – ottamalla käyttöön tai tuotteistamalla koneoppimisputkia ja -projekteja mittakaavassa – lähes kaikki (86 %) olivat samaa mieltä, lähes kolmannes (29 %). sanoivat olevansa "erittäin haastavia". Vastaavasti lähes kolme neljäsosaa sanoi, että heidän yrityksensä menetti tuloja tai arvon luomista ML:n laajamittaisen käyttöönoton haasteiden vuoksi, ja noin puolet kuvaili näitä haasteita joko "vakaviksi" tai "erittäin vakaviksi". 

Ilmeisesti nämä luvut puhuvat peruskysymyksistä, jotka on ratkaistava vuonna 2023 ja sen jälkeen. Esimerkiksi tarve investoida enemmän työkaluihin, jotka tukevat peruskoneoppimisprosesseja mallien kehittämisen, käyttöönoton ja ylläpidon parantamiseksi. Sekä keskittyminen koneoppimismallien rakennus-, testaus-, käyttöönotto- ja hallintaprosessin automatisointiin tuotantoympäristössä, yhteistyön, projektinhallinnan ja operatiivisuuden tehostamiseen.

Investoinnit ML-prosessiautomaatioon ovat etusijalla

Jotkut alan toimijat uskovat, että taantuma heikentää tekoäly- ja koneoppimisinvestointeja. Todellisuudessa kuluttaminen todennäköisesti jatkuu. Muuttuvat kuitenkin ne AI- ja ML-tyypit, joihin yritykset haluavat investoida. 

Odotan yritysten investoivan teknologioihin, jotka voivat parantaa tehokkuutta ja tuottavuutta lähitulevaisuudessa. Kun yritykset pyrkivät optimoimaan kustannuksia ja virtaviivaistamaan toimintaansa vuonna 2023, ne todennäköisesti kääntyvät tekoäly- ja ML-alustojen puoleen auttaakseen niitä automatisoimaan prosesseja ja tehtäviä suuressa mittakaavassa. Automatisoimalla nämä rutiinitoiminnot, toiminnot ja järjestelmät yritykset voivat vapauttaa pääomaa, kykyjä ja muita arvokkaita resursseja keskittyäkseen korkeamman tason ja lisäarvoa tuottaviin projekteihin. Tämä antaa heille mahdollisuuden vapauttaa resursseja ja säästää kustannuksia nopeasti, mikä parantaa lopulta kannattavuuttaan ja markkinoilletuloaikaansa. 

Näemme myös tämän suuntauksen kohti automatisoitua optimointia kyselyssä, kun johtajat ilmaisivat kiinnostuksensa jatkaa investointeja resursseihin ML-prosessien, erityisesti automaation ja orkestroinnin, maksimoimiseksi. Automatisoimalla ML-toimintansa organisaatiot voivat tehdä enemmän vähemmällä, ja tämä tehokkuuteen ja tuottavuuteen keskittyminen on erityisen arvokasta talouden taantuman aikana.

Epäselvät tavoitteet haittaavat toiminnallisuutta

Ei ole yllättävää, että organisaatioiden ja niiden koneoppimisprojektien välillä on katkeaminen, mikä vaikuttaa mallien toimivuuteen. Tutkimuksemme havaitsi, että lähes 20 % vastaajista väittää, että "epäselvät organisaatiostrategiat ja tavoitteet" haastavat ML:n laajamittaisen operatiivisen toteuttamisen heidän yrityksessään. 

Tämän ratkaisemiseksi organisaatioiden on omaksuttava kokonaisvaltaisempi lähestymistapa ML-työnkulkuunsa, mikä varmistaa, että ML:n tarkoitus ja vaikutus organisaatioon on selkeämpi kaikkialla. Tämä tarkoittaa, että ML-tiimien ja C-sarjan johtajien tulee työskennellä yhdessä tunnistaakseen tietyt liiketoimintatavoitteet ja -tavoitteet, jotka organisaatio toivoo saavuttavansa koneoppimisaloitteillaan. Tähän tulisi sisältyä menestyksen mittareiden määrittely, kuten tulojen kasvu tai asiakastyytyväisyyden paraneminen. Se tarkoittaa myös, että molempien ryhmien tulee säännöllisesti tarkastella ja arvioida ML-aloitteiden edistymistä varmistaakseen, että ne ovat saavuttaa tavoitteensa ja tuottaa odotetun arvon. Sulkemalla tämä kuilu ML-tiimien, DevOps- ja C-sarjan välillä ja luomalla lisää läpinäkyvyyttä ja yhteistyötä, ala voi paremmin käsitellä tätä epäselvän strategian ja tavoitteiden estettä.

Yhteenvetona voidaan todeta, että tutkimuksemme osoittaa, että ML:n operatiivisuus on keskeinen haaste sekä mahdollisuus investoinneille ja kasvulle vuonna 2023. Organisaatioiden pyrkiessä optimoimaan investointeja haastavassa talousympäristössä ensi vuonna, uskon, että huippuosaamisen saavuttaminen ML-operaatiossa on huippua. etusijalla.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
• Lähde: https://www.dataversity.net/ml-model-operationalization-is-a-key-challenge-and-opportunity-for-2023/