ML 模型运营化是 2023 年的关键挑战和机遇

随着我们迈入 2023 年，机器学习 (ML) 专业人士正在盘点过去一年并确定未来潜在的关键机遇。 为此，我的公司最近对 200 位美国 ML 决策者进行了调查，以更好地了解这些机会可能是什么。 我们关注的一个领域是运营背后的挑战 机器学习，受访者将其标记为关键问题。

虽然机器学习可以为每个行业的组织带来巨大价值，但重要的是要认识到，企业只有在可以运行 ML 模型时才能实现该价值。 考虑到这一点，这里有一些我们研究中最有趣的发现，以及关于如何 MLOps类别 可以应运而生并进行改进，使机器学习在各行各业更有用和更容易获得。 

无法操作 ML 模型会影响收入

当我们询问机器学习专家时，他们的组织是否面临通过大规模部署或产品化机器学习管道和项目来从 ML 投资中创造业务和商业价值的挑战时，几乎每个人 (86%) 都同意，几乎三分之一 (29%)说他们“面临很大挑战”。 同样，近四分之三的人表示，由于大规模实施 ML 的挑战，他们的公司错失了收入或价值创造，大约一半的人将这些挑战描述为“严峻”或“非常严峻”。 

显然，这些数字说明了 2023 年及以后需要解决的基本问题。 例如，需要对工具进行更多投资以支持基本的机器学习流程，以改进模型的开发、部署和维护。 以及专注于在生产环境中自动化构建、测试、部署和管理机器学习模型的过程，增强协作、项目管理和操作化。

对 ML 过程自动化的投资将是一个优先事项

一些业内人士认为，经济衰退将削弱人工智能和机器学习投资。 实际上，支出可能会继续。 然而，将会发生变化的是公司想要投资的 AI 和 ML 类型。 

我预计公司将投资于可以在短期内提高效率和生产力的技术。 随着公司寻求在 2023 年优化成本和简化运营，他们可能会转向 AI 和 ML 平台来帮助他们大规模地自动化流程和任务。 通过将这些日常活动、职能和系统自动化，公司可以腾出资金、人才和其他宝贵资源，专注于更高层次的增值项目。 这将使他们能够快速释放资源并节省成本，最终提高盈利能力并缩短上市时间。 

我们还在调查中看到了这种自动化优化的趋势，因为领导者表示有兴趣继续投资资源以最大化 ML 流程，尤其是自动化和编排。 通过自动化他们的 ML 操作，组织可以事半功倍，这种对效率和生产力的关注在经济低迷时期尤其有价值。

不明确的目标会影响运营

毫不奇怪，组织与其机器学习项目之间存在脱节，这正在影响模型的操作化。 我们的研究发现，近 20% 的受访者声称“不明确的组织战略和目标”正在挑战他们公司内大规模实施 ML。 

为了解决这个问题，组织必须对其 ML 工作流采取更多的整体方法，确保更清楚地了解 ML 的目的和对组织的全面影响。 这意味着 ML 团队和最高管理层领导应共同确定组织希望通过其机器学习计划实现的具体业务目标。 这应该包括定义成功的指标，例如增加收入或提高客户满意度。 这也意味着两个团队都应定期审查和评估 ML 计划的进展，以确保他们是 实现他们的目标 并交付预期价值。 通过缩小 ML 团队、DevOps 和最高管理层之间的差距并创造更多的透明度和协作，该行业可以更好地解决这一战略和目标不明确的障碍。

总而言之，我们的研究表明，ML 运营化是一项关键挑战，也是 2023 年投资和增长的机会。随着组织寻求在明年充满挑战的经济环境中优化投资，我相信在 ML 运营化方面实现卓越将是首要任务优先。

• SEO 支持的内容和 PR 分发。 今天得到放大。
• 柏拉图区块链。 Web3 元宇宙智能。 知识放大。 访问这里。
• Sumber: https://www.dataversity.net/ml-model-operationalization-is-a-key-challenge-and-opportunity-for-2023/