L'opérationnalisation du modèle ML est un défi et une opportunité clés pour 2023

Alors que nous nous dirigeons vers 2023, les professionnels de l'apprentissage automatique (ML) font le bilan de l'année écoulée et identifient les opportunités clés potentielles pour l'avenir. À cette fin, mon entreprise a récemment interrogé 200 décideurs américains en matière de ML pour mieux comprendre quelles pourraient être ces opportunités. Un domaine sur lequel nous nous sommes concentrés était le défi derrière l'opérationnalisation machine learning, que les répondants ont signalé comme un problème clé.

Bien que l'apprentissage automatique puisse apporter une grande valeur aux organisations de tous les secteurs, il est important de reconnaître que les entreprises ne peuvent actualiser cette valeur que lorsqu'elles peuvent opérationnaliser un modèle ML. Dans cet esprit, voici quelques-uns des résultats les plus intéressants de nos recherches, ainsi que des réflexions sur la façon dont le Catégorie MLOps peut saisir l'occasion et s'améliorer pour rendre le ML plus utile et accessible dans tous les secteurs. 

L'incapacité à opérationnaliser les modèles ML nuit aux revenus

Lorsque nous avons demandé à des experts en apprentissage automatique si leurs organisations étaient mises au défi de créer de la valeur commerciale et commerciale à partir d'investissements ML - en déployant ou en produisant des pipelines et des projets d'apprentissage automatique à grande échelle - pratiquement tout le monde (86 %) était d'accord, avec près d'un tiers (29 %) disant qu'ils étaient "très mis au défi". De même, près des trois quarts ont déclaré que leur entreprise manquait de revenus ou de création de valeur en raison de difficultés liées à l'opérationnalisation du ML à grande échelle, et environ la moitié d'entre elles ont qualifié ces difficultés de « sévères » ou de « très sévères ». 

De toute évidence, ces chiffres témoignent de problèmes fondamentaux qui doivent être résolus en 2023 et au-delà. Par exemple, la nécessité d'investir davantage dans des outils pour prendre en charge les processus d'apprentissage automatique de base afin d'améliorer le développement, le déploiement et la maintenance des modèles. En plus de se concentrer sur l'automatisation du processus de création, de test, de déploiement et de gestion des modèles d'apprentissage automatique dans un environnement de production, l'amélioration de la collaboration, de la gestion de projet et de l'opérationnalisation.

Les investissements dans l'automatisation des processus ML seront une priorité

Certains dans l'industrie pensent qu'une récession sapera les investissements dans l'IA et l'apprentissage automatique. En réalité, les dépenses devraient continuer. Cependant, ce qui va changer, ce sont les types d'IA et de ML dans lesquels les entreprises voudront investir. 

Je prévois que les entreprises investiront dans des technologies susceptibles d'améliorer l'efficacité et la productivité à court terme. Alors que les entreprises cherchent à optimiser les coûts et à rationaliser leurs opérations en 2023, elles se tourneront probablement vers les plateformes d'IA et de ML pour les aider à automatiser les processus et les tâches à grande échelle. En automatisant ces activités, fonctions et systèmes de routine, les entreprises peuvent libérer des capitaux, des talents et d'autres ressources précieuses pour se concentrer sur des projets à valeur ajoutée de plus haut niveau. Cela leur permettra de libérer des ressources et de réduire rapidement les coûts, améliorant ainsi leur rentabilité et leur délai de mise sur le marché. 

Nous constatons également que cette tendance à l'optimisation automatisée se manifeste dans l'enquête, car les dirigeants ont exprimé leur intérêt pour un investissement continu dans les ressources afin de maximiser les processus de ML, en particulier l'automatisation et l'orchestration. En automatisant leurs opérations de ML, les organisations peuvent faire plus avec moins, et cet accent mis sur l'efficacité et la productivité est particulièrement précieux en période de ralentissement économique.

Des objectifs peu clairs nuisant à l'opérationnalisation

Sans surprise, il existe une déconnexion entre les organisations et leurs projets d'apprentissage automatique, ce qui a un impact sur l'opérationnalisation des modèles. Notre étude a révélé que près de 20 % des personnes interrogées affirment que « la stratégie et les objectifs organisationnels ne sont pas clairs » compliquent l'opérationnalisation du ML à grande échelle au sein de leur entreprise. 

Pour résoudre ce problème, les organisations doivent adopter une approche plus holistique de leur flux de travail ML, en s'assurant que l'objectif et l'impact du ML sur l'organisation sont plus clairs à tous les niveaux. Cela signifie que les équipes ML et les responsables de la suite C doivent travailler ensemble pour identifier les buts et objectifs commerciaux spécifiques que l'organisation espère atteindre grâce à ses initiatives d'apprentissage automatique. Cela devrait inclure la définition d'indicateurs de réussite, tels que l'augmentation des revenus ou l'amélioration de la satisfaction client. Cela signifie également que les deux équipes doivent régulièrement examiner et évaluer les progrès des initiatives de ML pour s'assurer qu'elles sont atteindre leurs objectifs et fournir la valeur attendue. En comblant cet écart entre les équipes ML, DevOps et la suite C et en créant plus de transparence et de collaboration, l'industrie peut mieux surmonter cet obstacle d'une stratégie et d'objectifs peu clairs.

Pour résumer, nos recherches montrent que l'opérationnalisation du ML est un défi clé ainsi qu'une opportunité d'investissement et de croissance en 2023. Alors que les organisations cherchent à optimiser les investissements dans un environnement économique difficile l'année prochaine, je pense qu'atteindre l'excellence dans l'opérationnalisation du ML sera un des meilleurs priorité.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
• La source: https://www.dataversity.net/ml-model-operationalization-is-a-key-challenge-and-opportunity-for-2023/