Внедрение модели машинного обучения — ключевая задача и возможность на 2023 год

В преддверии 2023 года специалисты по машинному обучению (МО) подводят итоги прошедшего года и определяют потенциальные ключевые возможности для дальнейшего развития. С этой целью моя компания недавно опросила 200 руководителей машинного обучения в США, чтобы лучше понять, какими могут быть эти возможности. Одной из областей, на которой мы сосредоточились, была проблема операционализации обучение с помощью машины, что респонденты отметили как ключевую проблему.

Хотя машинное обучение может принести большую пользу организациям в любой отрасли, важно понимать, что предприятия могут реализовать эту ценность только в том случае, если они смогут реализовать модель машинного обучения. Имея это в виду, вот некоторые из наиболее интересных результатов нашего исследования, а также мысли о том, как Категория MLOps может быть на высоте и совершенствоваться, чтобы сделать машинное обучение более полезным и доступным в разных отраслях. 

Неспособность внедрить модели машинного обучения снижает доход

Когда мы спросили экспертов по машинному обучению, стоит ли перед их организациями задача создать деловую и коммерческую ценность за счет инвестиций в машинное обучение — путем развертывания или масштабирования конвейеров и проектов машинного обучения — практически все (86%) согласились, и почти треть (29%) говоря, что они были «очень сложными». Точно так же почти три четверти заявили, что их компания упускает доход или создает ценность из-за проблем с масштабным внедрением машинного обучения, при этом примерно половина описывает эти проблемы как «серьезные» или «очень серьезные». 

Очевидно, что эти цифры говорят о фундаментальных проблемах, которые необходимо решить в 2023 году и далее. Например, потребность в дополнительных инвестициях в инструменты для поддержки основных процессов машинного обучения для улучшения разработки, развертывания и обслуживания моделей. А также сосредоточить внимание на автоматизации процесса создания, тестирования, развертывания и управления моделями машинного обучения в производственной среде, улучшения совместной работы, управления проектами и эксплуатации.

Инвестиции в автоматизацию процессов машинного обучения будут в приоритете

Некоторые представители отрасли считают, что рецессия подорвет инвестиции в ИИ и машинное обучение. На самом деле расходы, вероятно, продолжатся. Однако что изменится, так это типы AI и ML, в которые компании захотят инвестировать. 

Я ожидаю, что компании будут инвестировать в технологии, которые могут повысить эффективность и производительность в ближайшей перспективе. Поскольку компании стремятся оптимизировать расходы и оптимизировать свои операции в 2023 году, они, вероятно, обратятся к платформам искусственного интеллекта и машинного обучения, которые помогут им автоматизировать процессы и задачи в больших масштабах. Автоматизируя эти рутинные действия, функции и системы, компании могут высвободить капитал, таланты и другие ценные ресурсы, чтобы сосредоточиться на более важных проектах с добавленной стоимостью. Это позволит им высвободить ресурсы и быстро сократить расходы, что в конечном итоге повысит их прибыльность и время выхода на рынок. 

Мы также видим эту тенденцию к автоматизированной оптимизации в опросе, поскольку руководители выразили заинтересованность в продолжении инвестиций в ресурсы для максимизации процессов машинного обучения, особенно в автоматизации и оркестровке. Автоматизируя свои операции машинного обучения, организации могут делать больше с меньшими затратами, и такая ориентация на эффективность и производительность особенно ценна во времена экономического спада.

Неясные цели мешают операционализации

Неудивительно, что существует разрыв между организациями и их проектами машинного обучения, что влияет на операционализацию моделей. Наше исследование показало, что почти 20% респондентов заявляют, что «неясная организационная стратегия и цели» затрудняют масштабное внедрение машинного обучения в их компании. 

Чтобы решить эту проблему, организации должны применять более целостный подход к своему рабочему процессу машинного обучения, обеспечивая большую ясность цели и влияния машинного обучения на организацию по всем направлениям. Это означает, что команды машинного обучения и руководители высшего звена должны работать вместе, чтобы определить конкретные бизнес-цели и задачи, которые организация надеется достичь с помощью своих инициатив в области машинного обучения. Это должно включать определение показателей успеха, таких как увеличение доходов или повышение удовлетворенности клиентов. Это также означает, что обе команды должны регулярно анализировать и оценивать прогресс в инициативах по отмыванию денег, чтобы убедиться, что они достижение своих целей и предоставление ожидаемой ценности. Сокращая этот разрыв между командами машинного обучения, DevOps и топ-менеджерами и создавая большую прозрачность и сотрудничество, отрасль может лучше устранить это препятствие, связанное с неясной стратегией и целями.

Подводя итог, наше исследование показывает, что внедрение машинного обучения является ключевой проблемой, а также возможностью для инвестиций и роста в 2023 году. Поскольку организации стремятся оптимизировать инвестиции в сложных экономических условиях в следующем году, я считаю, что достижение совершенства в использовании машинного обучения будет главной задачей. приоритет.

• SEO-контент и PR-распределение. Получите усиление сегодня.
• Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
• Источник: https://www.dataversity.net/ml-model-operationalization-is-a-key-challenge-and-opportunity-for-2023/