L'operatività del modello ML è una sfida e un'opportunità chiave per il 2023

Ripubblicato da Platone

Seguaci: 0

Mentre ci dirigiamo verso il 2023, i professionisti del machine learning (ML) stanno facendo il punto sull'anno passato e identificando potenziali opportunità chiave per il futuro. A tal fine, la mia azienda ha recentemente intervistato 200 responsabili delle decisioni di ML con sede negli Stati Uniti per comprendere meglio quali potrebbero essere tali opportunità. Un'area su cui ci siamo concentrati è stata la sfida dietro l'operatività machine learning, che gli intervistati hanno segnalato come problema fondamentale.

Sebbene il machine learning possa apportare un grande valore alle organizzazioni di ogni settore, è importante riconoscere che le aziende possono attualizzare tale valore solo quando possono rendere operativo un modello ML. Con questo in mente, ecco alcuni dei risultati più interessanti della nostra ricerca, oltre a riflessioni su come il Categoria MLOps può cogliere l'occasione e migliorare per rendere il machine learning più utile e accessibile in tutti i settori.

L'impossibilità di rendere operativi i modelli ML danneggia le entrate

Quando abbiamo chiesto agli esperti di machine learning se le loro organizzazioni fossero sfidate a creare valore aziendale e commerciale dagli investimenti di machine learning, implementando o producendo pipeline e progetti di machine learning su larga scala, praticamente tutti (86%) hanno concordato, con quasi un terzo (29%) dicendo che erano "molto sfidati". Allo stesso modo, quasi tre quarti hanno affermato che la propria azienda stava perdendo entrate o creazione di valore a causa delle difficoltà nell'operatività del machine learning su larga scala, con circa la metà che descrive queste sfide come "gravi" o "molto gravi".

Ovviamente, questi numeri parlano di questioni fondamentali che devono essere risolte nel 2023 e oltre. Ad esempio, la necessità di maggiori investimenti in strumenti per supportare i processi di apprendimento automatico di base per migliorare lo sviluppo, l'implementazione e la manutenzione dei modelli. Oltre a concentrarsi sull'automazione del processo di creazione, test, distribuzione e gestione dei modelli di apprendimento automatico in un ambiente di produzione, migliorando la collaborazione, la gestione dei progetti e l'operatività.

Gli investimenti nell'automazione dei processi ML saranno una priorità

Alcuni nel settore ritengono che una recessione ridurrà gli investimenti in intelligenza artificiale e machine learning. In realtà, è probabile che la spesa continui. Tuttavia, ciò che cambierà sono i tipi di AI e ML in cui le aziende vorranno investire.

Prevedo che le aziende investiranno in tecnologie in grado di migliorare l'efficienza e la produttività nell'immediato. Poiché le aziende cercano di ottimizzare i costi e semplificare le loro operazioni nel 2023, probabilmente si rivolgeranno a piattaforme di AI e ML per automatizzare processi e attività su larga scala. Automatizzando queste attività, funzioni e sistemi di routine, le aziende possono liberare capitale, talento e altre risorse preziose per concentrarsi su progetti di alto livello ea valore aggiunto. Ciò consentirà loro di liberare risorse e risparmiare rapidamente sui costi, migliorando in ultima analisi la redditività e il time-to-market.

Vediamo anche questa tendenza verso l'ottimizzazione automatizzata nel sondaggio, poiché i leader hanno espresso interesse per il continuo investimento in risorse per massimizzare i processi ML, in particolare l'automazione e l'orchestrazione. Automatizzando le loro operazioni di ML, le organizzazioni possono fare di più con meno e questa attenzione all'efficienza e alla produttività è particolarmente preziosa in tempi di recessione economica.

Obiettivi poco chiari che danneggiano l'operatività

Non sorprende che vi sia una disconnessione tra le organizzazioni e i loro progetti di machine learning, che sta influenzando l'operatività dei modelli. Il nostro studio ha rilevato che quasi il 20% degli intervistati afferma che "strategia e obiettivi organizzativi poco chiari" stanno sfidando l'operatività del machine learning su larga scala all'interno della propria azienda.

Per risolvere questo problema, le organizzazioni devono adottare un approccio più olistico al proprio flusso di lavoro ML, garantendo una maggiore chiarezza dello scopo e dell'impatto del ML sull'organizzazione a tutti i livelli. Ciò significa che i team di ML e i leader C-suite dovrebbero lavorare insieme per identificare gli obiettivi e gli obiettivi aziendali specifici che l'organizzazione spera di raggiungere attraverso le sue iniziative di machine learning. Ciò dovrebbe includere la definizione di metriche per il successo, come un aumento delle entrate o una migliore soddisfazione del cliente. Significa anche che entrambi i team dovrebbero rivedere e valutare regolarmente i progressi delle iniziative di riciclaggio per assicurarsi che lo siano raggiungere i propri obiettivi e fornire il valore atteso. Colmando questo divario tra i team ML, DevOps e la C-suite e creando maggiore trasparenza e collaborazione, il settore può affrontare meglio questo ostacolo di strategia e obiettivi poco chiari.

Per riassumere, la nostra ricerca mostra che l'operazionalizzazione del machine learning è una sfida chiave, nonché un'opportunità di investimento e crescita nel 2023. Poiché le organizzazioni cercano di ottimizzare gli investimenti in un ambiente economico difficile il prossimo anno, credo che il raggiungimento dell'eccellenza nell'operazionalizzazione del machine learning sarà il massimo priorità.