Operaționalizarea modelului ML este o provocare și o oportunitate cheie pentru 2023

Pe măsură ce ne îndreptăm spre 2023, profesioniștii în învățarea automată (ML) fac bilanțul anului trecut și identifică potențialele oportunități cheie pentru a merge mai departe. În acest scop, compania mea a chestionat recent 200 de factori de decizie ML din SUA pentru a înțelege mai bine care ar putea fi acele oportunități. Un domeniu pe care ne-am concentrat a fost provocarea din spatele operaționalizării masina de învățare, pe care respondenții l-au semnalat ca fiind o problemă cheie.

În timp ce învățarea automată poate aduce o mare valoare organizațiilor din fiecare industrie, este important să recunoaștem că companiile pot actualiza această valoare doar atunci când pot operaționaliza un model ML. Având în vedere acest lucru, iată câteva dintre cele mai interesante descoperiri din cercetarea noastră, plus gânduri despre modul în care Categoria MLOps se poate ridica la înălțime și se poate îmbunătăți pentru a face ML mai utilă și mai accesibilă în toate industriile. 

Incapacitatea de a opera modele ML dăunează veniturilor

Când am întrebat experții în învățarea automată dacă organizațiile lor au fost provocate să creeze valoare comercială și comercială din investițiile în ML - prin implementarea sau producția de conducte și proiecte de învățare automată la scară - practic toată lumea (86%) a fost de acord, cu aproape o treime (29%). spunând că au fost „foarte provocați”. În mod similar, aproape trei sferturi au declarat că compania lor a ratat veniturile sau crearea de valoare din cauza provocărilor în operaționalizarea ML la scară, aproximativ jumătate descriind aceste provocări fie „severe” fie „foarte severe”. 

Evident, aceste cifre vorbesc despre probleme fundamentale care trebuie rezolvate în 2023 și mai departe. De exemplu, necesitatea investițiilor mai mari în instrumente care să sprijine procesele de bază de învățare automată pentru a îmbunătăți dezvoltarea, implementarea și întreținerea modelelor. Precum și un accent pe automatizarea procesului de construire, testare, implementare și gestionare a modelelor de învățare automată într-un mediu de producție, îmbunătățind colaborarea, managementul proiectelor și operaționalizarea.

Investițiile în automatizarea proceselor ML vor fi o prioritate

Unii din industrie cred că o recesiune va submina investițiile în inteligența artificială și în învățarea automată. În realitate, cheltuielile vor continua. Cu toate acestea, ceea ce se va schimba sunt tipurile de AI și ML în care companiile vor dori să investească. 

Anticipăm că companiile vor investi în tehnologii care pot îmbunătăți eficiența și productivitatea în termen imediat. Pe măsură ce companiile caută să optimizeze costurile și să-și eficientizeze operațiunile în 2023, probabil că vor apela la platformele AI și ML pentru a le ajuta să automatizeze procesele și sarcinile la scară largă. Prin automatizarea acestor activități, funcții și sisteme de rutină, companiile pot elibera capital, talent și alte resurse valoroase pentru a se concentra pe mai multe proiecte de nivel înalt, cu valoare adăugată. Acest lucru le va permite să elibereze resurse și să economisească costuri rapid, îmbunătățind în cele din urmă profitabilitatea și timpul de lansare pe piață. 

Vedem, de asemenea, această tendință către optimizarea automatizată în studiu, deoarece liderii și-au exprimat interesul pentru investiția continuă în resurse pentru a maximiza procesele ML, în special automatizarea și orchestrarea. Prin automatizarea operațiunilor ML, organizațiile pot face mai mult cu mai puțin, iar acest accent pe eficiență și productivitate este deosebit de valoros în perioadele de criză economică.

Obiective neclare care afectează operaționalizarea

Nu este surprinzător că există o deconectare între organizații și proiectele lor de învățare automată, care are un impact asupra operaționalizării modelelor. Studiul nostru a constatat că aproape 20% dintre respondenți susțin că „strategiile și obiectivele organizaționale neclare” provoacă operaționalizarea ML la scară în cadrul companiei lor. 

Pentru a rezolva acest lucru, organizațiile trebuie să adopte o abordare mai holistică a fluxului lor de lucru ML, asigurându-se că există mai multă claritate în ceea ce privește scopul și impactul ML asupra organizației în general. Aceasta înseamnă că echipele ML și liderii C-suite ar trebui să lucreze împreună pentru a identifica obiectivele și obiectivele specifice de afaceri pe care organizația speră să le atingă prin inițiativele sale de învățare automată. Aceasta ar trebui să includă definirea unor indicatori pentru succes, cum ar fi creșterea veniturilor sau îmbunătățirea satisfacției clienților. De asemenea, înseamnă că ambele echipe ar trebui să revizuiască și să evalueze în mod regulat progresul inițiativelor ML pentru a se asigura că sunt îndeplinirea obiectivelor lor și livrarea valorii așteptate. Prin eliminarea acestui decalaj dintre echipele ML, DevOps și C-suite și creând mai multă transparență și colaborare, industria poate aborda mai bine acest obstacol al strategiei și obiectivelor neclare.

Pentru a rezuma, cercetarea noastră arată că operaționalizarea ML este o provocare cheie, precum și o oportunitate pentru investiții și creștere în 2023. Pe măsură ce organizațiile caută să optimizeze investițiile într-un mediu economic provocator anul viitor, cred că atingerea excelenței în operaționalizarea ML va fi un punct de vârf. prioritate.

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
• Sursa: https://www.dataversity.net/ml-model-operationalization-is-a-key-challenge-and-opportunity-for-2023/