Operacjonalizacja modelu ML to kluczowe wyzwanie i szansa na 2023 rok

U progu 2023 roku specjaliści od uczenia maszynowego (ML) podsumowują miniony rok i identyfikują potencjalne kluczowe możliwości rozwoju. W tym celu moja firma niedawno przeprowadziła ankietę wśród 200 osób podejmujących decyzje w zakresie ML z siedzibą w USA, aby lepiej zrozumieć, jakie mogą być te możliwości. Jednym z obszarów, na którym się skupiliśmy, było wyzwanie stojące za operacjonalizacją uczenie maszynowe, co respondenci oznaczyli jako kwestię kluczową.

Chociaż uczenie maszynowe może wnieść wiele wartości do organizacji w każdej branży, ważne jest, aby zdać sobie sprawę, że firmy mogą zaktualizować tę wartość tylko wtedy, gdy będą w stanie zoperacjonalizować model uczenia maszynowego. Mając to na uwadze, oto niektóre z najciekawszych wyników naszych badań oraz przemyślenia na temat tego, w jaki sposób Kategoria MLOps może stanąć na wysokości zadania i udoskonalić, aby uczynić ML bardziej użytecznym i dostępnym w różnych branżach. 

Niezdolność do operacjonalizacji modeli ML szkodzi przychodom

Kiedy zapytaliśmy ekspertów ds. uczenia maszynowego, czy ich organizacje stanęły przed wyzwaniem stworzenia wartości biznesowej i komercyjnej z inwestycji w uczenie maszynowe – poprzez wdrożenie lub produkcję potoków i projektów uczenia maszynowego na dużą skalę – praktycznie wszyscy (86%) zgodzili się z tym, a prawie jedna trzecia (29%) mówiąc, że były „bardzo trudne”. Podobnie prawie trzy czwarte stwierdziło, że ich firma traci przychody lub tworzenie wartości z powodu wyzwań związanych z operacjonalizacją uczenia maszynowego na dużą skalę, przy czym mniej więcej połowa opisuje te wyzwania jako „poważne” lub „bardzo poważne”. 

Oczywiście te liczby mówią o fundamentalnych problemach, które należy rozwiązać w 2023 roku i później. Na przykład potrzeba większych inwestycji w narzędzia wspierające podstawowe procesy uczenia maszynowego w celu usprawnienia opracowywania, wdrażania i konserwacji modeli. Oprócz skupienia się na automatyzacji procesu budowania, testowania, wdrażania i zarządzania modelami uczenia maszynowego w środowisku produkcyjnym, ulepszania współpracy, zarządzania projektami i operacjonalizacji.

Priorytetem będą inwestycje w automatyzację procesów ML

Niektórzy w branży uważają, że recesja podkopie inwestycje w sztuczną inteligencję i uczenie maszynowe. W rzeczywistości wydatki prawdopodobnie będą kontynuowane. Zmienią się jednak rodzaje sztucznej inteligencji i uczenia maszynowego, w które firmy będą chciały inwestować. 

Przewiduję, że firmy będą inwestować w technologie, które mogą poprawić wydajność i produktywność w krótkim czasie. Gdy firmy chcą zoptymalizować koszty i usprawnić swoją działalność w 2023 r., prawdopodobnie zwrócą się ku platformom AI i ML, aby pomóc im zautomatyzować procesy i zadania na dużą skalę. Automatyzując te rutynowe czynności, funkcje i systemy, firmy mogą uwolnić kapitał, talenty i inne cenne zasoby, aby skoncentrować się na bardziej zaawansowanych projektach o wartości dodanej. To pozwoli im uwolnić zasoby i szybko obniżyć koszty, ostatecznie poprawiając rentowność i skracając czas wprowadzania produktów na rynek. 

W ankiecie widzimy również ten trend w kierunku automatycznej optymalizacji, ponieważ liderzy wyrazili zainteresowanie dalszymi inwestycjami w zasoby w celu maksymalizacji procesów uczenia maszynowego, zwłaszcza automatyzacji i orkiestracji. Dzięki automatyzacji operacji uczenia maszynowego organizacje mogą zrobić więcej mniejszym kosztem, a skupienie się na wydajności i produktywności jest szczególnie cenne w czasach spowolnienia gospodarczego.

Niejasne cele szkodzące operacjonalizacji

Nic dziwnego, że istnieje rozdźwięk między organizacjami a ich projektami uczenia maszynowego, co ma wpływ na operacjonalizację modeli. Nasze badanie wykazało, że prawie 20% respondentów twierdzi, że „niejasna strategia i cele organizacji” stanowią wyzwanie dla operacjonalizacji ML na dużą skalę w ich firmie. 

Aby rozwiązać ten problem, organizacje muszą przyjąć bardziej holistyczne podejście do przepływu pracy w zakresie uczenia maszynowego, zapewniając większą przejrzystość celu i wpływu uczenia maszynowego na całą organizację. Oznacza to, że zespoły ML i liderzy C-suite powinni współpracować, aby zidentyfikować konkretne cele biznesowe i zadania, które organizacja ma nadzieję osiągnąć dzięki inicjatywom uczenia maszynowego. Powinno to obejmować zdefiniowanie wskaźników sukcesu, takich jak zwiększone przychody lub poprawa zadowolenia klientów. Oznacza to również, że oba zespoły powinny regularnie przeglądać i oceniać postępy w zakresie inicjatyw ML, aby upewnić się, że tak jest spełnianie ich celów i dostarczenie oczekiwanej wartości. Wypełniając lukę między zespołami ML, DevOps i C-suite oraz zapewniając większą przejrzystość i współpracę, branża może lepiej poradzić sobie z przeszkodą wynikającą z niejasnej strategii i celów.

Podsumowując, nasze badania pokazują, że operacjonalizacja ML jest kluczowym wyzwaniem, a także szansą na inwestycje i wzrost w 2023 r. Ponieważ organizacje chcą zoptymalizować inwestycje w trudnym środowisku gospodarczym w przyszłym roku, uważam, że osiągnięcie doskonałości w operacjonalizacji ML będzie szczytem priorytet.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
• Źródło: https://www.dataversity.net/ml-model-operationalization-is-a-key-challenge-and-opportunity-for-2023/