ML-model operationalisering is een belangrijke uitdaging en kans voor 2023

Nu we 2023 ingaan, maken professionals op het gebied van machine learning (ML) de balans op van het afgelopen jaar en identificeren ze mogelijke belangrijke kansen voor de toekomst. Daartoe heeft mijn bedrijf onlangs 200 in de VS gevestigde ML-beslissers ondervraagd om beter te begrijpen wat die kansen zouden kunnen zijn. Een van de gebieden waarop we ons hebben gericht, was de uitdaging achter het operationaliseren machine learning, die door de respondenten als een belangrijk probleem werden aangemerkt.

Hoewel machine learning veel waarde kan opleveren voor organisaties in elke branche, is het belangrijk om te erkennen dat bedrijven die waarde alleen kunnen realiseren als ze een ML-model kunnen operationaliseren. Met dat in gedachten zijn hier enkele van de meest interessante bevindingen uit ons onderzoek, plus gedachten over hoe de MLOps-categorie kunnen de gelegenheid aangrijpen en verbeteren om ML nuttiger en toegankelijker te maken in alle sectoren. 

Onvermogen om ML-modellen te operationaliseren, schaadt inkomsten

Toen we experts op het gebied van machine learning vroegen of hun organisaties werden uitgedaagd om zakelijke en commerciële waarde te creëren uit ML-investeringen – door machine learning-pijplijnen en -projecten op schaal te implementeren of te produceren – was vrijwel iedereen (86%) het daarmee eens, met bijna een derde (29%) zeggen dat ze "erg uitgedaagd" waren. Evenzo zei bijna driekwart dat hun bedrijf inkomsten of waardecreatie misliep vanwege uitdagingen bij het operationaliseren van ML op schaal, waarbij ongeveer de helft deze uitdagingen omschreef als "ernstig" of "zeer ernstig". 

Uiteraard spreken deze cijfers over fundamentele problemen die in 2023 en daarna moeten worden opgelost. Bijvoorbeeld de behoefte aan meer investeringen in tools ter ondersteuning van basisprocessen voor machine learning om de ontwikkeling, implementatie en het onderhoud van modellen te verbeteren. Evenals een focus op het automatiseren van het proces van het bouwen, testen, implementeren en beheren van machine learning-modellen in een productieomgeving, het verbeteren van samenwerking, projectbeheer en operationalisering.

Investeringen in ML-procesautomatisering zullen een prioriteit zijn

Sommigen in de branche zijn van mening dat een recessie investeringen in AI en machine learning zal ondermijnen. In werkelijkheid zullen de uitgaven waarschijnlijk doorgaan. Wat echter zal veranderen, zijn de soorten AI en ML waarin bedrijven willen investeren. 

Ik verwacht dat bedrijven op korte termijn zullen investeren in technologieën die de efficiëntie en productiviteit kunnen verbeteren. Nu bedrijven in 2023 hun kosten willen optimaliseren en hun activiteiten willen stroomlijnen, zullen ze zich waarschijnlijk wenden tot AI- en ML-platforms om processen en taken op grote schaal te automatiseren. Door deze routinematige activiteiten, functies en systemen te automatiseren, kunnen bedrijven kapitaal, talent en andere waardevolle middelen vrijmaken om zich te concentreren op meer hoogwaardige projecten met toegevoegde waarde. Hierdoor kunnen ze middelen vrijmaken en snel kosten besparen, wat uiteindelijk hun winstgevendheid en time-to-market verbetert. 

We zien deze trend in de richting van geautomatiseerde optimalisatie ook in het onderzoek, aangezien leiders interesse toonden in voortdurende investeringen in middelen om ML-processen te maximaliseren, met name automatisering en orkestratie. Door hun ML-activiteiten te automatiseren, kunnen organisaties meer doen met minder, en deze focus op efficiëntie en productiviteit is vooral waardevol in tijden van economische neergang.

Onduidelijke doelen belemmeren de operationalisering

Het is niet verrassend dat er een kloof is tussen organisaties en hun machine learning-projecten, wat de operationalisering van modellen beïnvloedt. Uit ons onderzoek bleek dat bijna 20% van de respondenten beweert dat "onduidelijke strategie en doelen van de organisatie" een uitdaging vormen om ML binnen hun bedrijf op grote schaal te operationaliseren. 

Om dit op te lossen, moeten organisaties hun ML-workflow holistischer benaderen, zodat er meer duidelijkheid is over het doel en de impact van ML op de organisatie over de hele linie. Dit betekent dat ML-teams en C-suite-leiders moeten samenwerken om de specifieke zakelijke doelen en doelstellingen te identificeren die de organisatie hoopt te bereiken door middel van haar machine learning-initiatieven. Dit moet het definiëren van successtatistieken omvatten, zoals hogere inkomsten of verbeterde klanttevredenheid. Het betekent ook dat beide teams de voortgang van ML-initiatieven regelmatig moeten beoordelen en beoordelen om ervoor te zorgen dat dit het geval is het behalen van hun doelen en het leveren van de verwachte waarde. Door deze kloof tussen ML-teams, DevOps en de C-suite te dichten en meer transparantie en samenwerking te creëren, kan de industrie dit obstakel van onduidelijke strategie en doelen beter aanpakken.

Samenvattend: ons onderzoek toont aan dat ML-operationalisatie een belangrijke uitdaging is, evenals een kans voor investeringen en groei in 2023. Aangezien organisaties volgend jaar hun investeringen in een uitdagende economische omgeving willen optimaliseren, denk ik dat het bereiken van excellentie in ML-operationalisatie een topprioriteit zal zijn. prioriteit.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• Bron: https://www.dataversity.net/ml-model-operationalization-is-a-key-challenge-and-opportunity-for-2023/