Vận hành mô hình ML là cơ hội và thách thức chính cho năm 2023

Khi chúng ta bước sang năm 2023, các chuyên gia máy học (ML) đang xem xét lại năm vừa qua và xác định các cơ hội chính tiềm năng trong tương lai. Để đạt được mục tiêu đó, công ty của tôi gần đây đã thăm dò ý kiến ​​của 200 người ra quyết định ML có trụ sở tại Hoa Kỳ để hiểu rõ hơn những cơ hội đó có thể là gì. Một lĩnh vực chúng tôi tập trung vào là thách thức đằng sau việc vận hành học máy, mà người trả lời đã đánh dấu là một vấn đề quan trọng.

Mặc dù máy học có thể mang lại nhiều giá trị cho các tổ chức trong mọi ngành, nhưng điều quan trọng là phải nhận ra rằng các doanh nghiệp chỉ có thể hiện thực hóa giá trị đó khi họ có thể vận hành mô hình ML. Với ý nghĩ đó, đây là một số phát hiện thú vị nhất từ ​​nghiên cứu của chúng tôi, cộng với những suy nghĩ về cách thể loại MLOps có thể tận dụng cơ hội và cải thiện để làm cho ML trở nên hữu ích hơn và dễ tiếp cận hơn trong các ngành. 

Không có khả năng vận hành các mô hình ML làm ảnh hưởng đến doanh thu

Khi chúng tôi hỏi các chuyên gia máy học liệu các tổ chức của họ có gặp thách thức trong việc tạo ra giá trị kinh doanh và thương mại từ các khoản đầu tư máy học hay không – bằng cách triển khai hoặc sản xuất các dự án và quy trình máy học ở quy mô lớn – hầu như tất cả mọi người (86%) đều đồng ý, với gần một phần ba (29%) nói rằng họ "rất khó khăn." Tương tự, gần XNUMX/XNUMX cho biết công ty của họ đang bỏ lỡ cơ hội tạo ra doanh thu hoặc giá trị do những thách thức trong việc vận hành ML trên quy mô lớn, với khoảng một nửa mô tả những thách thức này là “nghiêm trọng” hoặc “rất nghiêm trọng”. 

Rõ ràng, những con số này nói lên những vấn đề cơ bản cần được giải quyết trong năm 2023 và hơn thế nữa. Ví dụ, nhu cầu đầu tư nhiều hơn vào các công cụ hỗ trợ các quy trình học máy cơ bản để cải thiện quá trình phát triển, triển khai và bảo trì các mô hình. Cũng như tập trung vào việc tự động hóa quy trình xây dựng, thử nghiệm, triển khai và quản lý các mô hình máy học trong môi trường sản xuất, tăng cường cộng tác, quản lý dự án và vận hành.

Đầu tư vào Tự động hóa quy trình ML sẽ được ưu tiên

Một số người trong ngành tin rằng suy thoái kinh tế sẽ cắt giảm các khoản đầu tư vào AI và máy học. Trong thực tế, chi tiêu có thể sẽ tiếp tục. Tuy nhiên, điều sẽ thay đổi là các loại AI và ML mà các công ty sẽ muốn đầu tư vào. 

Tôi dự đoán các công ty sẽ đầu tư vào các công nghệ có thể cải thiện hiệu quả và năng suất trong thời gian ngắn. Khi các công ty tìm cách tối ưu hóa chi phí và hợp lý hóa hoạt động của họ vào năm 2023, họ có thể sẽ chuyển sang nền tảng AI và ML để giúp họ tự động hóa các quy trình và tác vụ trên quy mô lớn. Bằng cách tự động hóa các hoạt động, chức năng và hệ thống thông thường này, các công ty có thể giải phóng vốn, tài năng và các nguồn lực có giá trị khác để tập trung vào các dự án có giá trị gia tăng cao hơn. Điều này sẽ cho phép họ giải phóng tài nguyên và tiết kiệm chi phí một cách nhanh chóng, cuối cùng là cải thiện khả năng sinh lời và thời gian đưa sản phẩm ra thị trường. 

Chúng tôi cũng nhận thấy xu hướng tối ưu hóa tự động này diễn ra trong cuộc khảo sát, khi các nhà lãnh đạo bày tỏ sự quan tâm đến việc tiếp tục đầu tư vào các nguồn lực để tối đa hóa các quy trình ML, đặc biệt là tự động hóa và điều phối. Bằng cách tự động hóa các hoạt động ML của mình, các tổ chức có thể làm được nhiều việc hơn với ít chi phí hơn và điều này tập trung vào hiệu quả và năng suất đặc biệt có giá trị trong thời kỳ suy thoái kinh tế.

Mục tiêu không rõ ràng làm tổn thương quá trình vận hành

Không có gì ngạc nhiên khi có sự mất kết nối giữa các tổ chức và các dự án máy học của họ, điều này đang ảnh hưởng đến việc vận hành các mô hình. Nghiên cứu của chúng tôi cho thấy gần 20% số người được hỏi cho rằng “mục tiêu và chiến lược tổ chức không rõ ràng” đang thách thức việc vận hành ML trên quy mô lớn trong công ty của họ. 

Để giải quyết vấn đề này, các tổ chức phải áp dụng nhiều cách tiếp cận toàn diện hơn đối với quy trình ML của họ, đảm bảo rằng mục đích của ML rõ ràng hơn và tác động đối với toàn bộ tổ chức. Điều này có nghĩa là các nhóm ML và các nhà lãnh đạo C-suite nên làm việc cùng nhau để xác định các mục tiêu và mục tiêu kinh doanh cụ thể mà tổ chức hy vọng đạt được thông qua các sáng kiến ​​máy học của mình. Điều này nên bao gồm việc xác định các số liệu để thành công, chẳng hạn như tăng doanh thu hoặc cải thiện sự hài lòng của khách hàng. Điều đó cũng có nghĩa là cả hai nhóm nên thường xuyên xem xét và đánh giá tiến độ đối với các sáng kiến ​​ML để đảm bảo rằng chúng đáp ứng mục tiêu của họ và mang lại giá trị mong đợi. Để thu hẹp khoảng cách này giữa các nhóm ML, DevOps và C-suite, đồng thời tạo ra sự minh bạch và cộng tác nhiều hơn, ngành có thể giải quyết tốt hơn trở ngại về chiến lược và mục tiêu không rõ ràng này.

Tóm lại, nghiên cứu của chúng tôi cho thấy rằng việc vận hành ML là một thách thức chính cũng như cơ hội để đầu tư và tăng trưởng vào năm 2023. Khi các tổ chức tìm cách tối ưu hóa các khoản đầu tư trong môi trường kinh tế đầy thách thức vào năm tới, tôi tin rằng việc đạt được sự xuất sắc trong việc vận hành ML sẽ là mục tiêu hàng đầu. sự ưu tiên.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. Truy cập Tại đây.
• nguồn: https://www.dataversity.net/ml-model-operationalization-is-a-key-challenge-and-opportunity-for-2023/