5 путей развития машинного обучения в трудный 2023 год

Поскольку 2022 год далеко позади, критически важно оценить, как развивалось машинное обучение (ML) — как дисциплина, технология и отрасль. Ожидается, что расходы на ИИ и машинное обучение продолжать растикомпании ищут способы оптимизировать растущие инвестиции и обеспечить ценность, особенно в условиях сложной макроэкономической ситуации.

Имея это в виду, как организации будут инвестировать более эффективно, максимально увеличивая влияние машинного обучения? Как поворот жесткой экономии крупных технологий повлияет на практику, развертывание и выполнение машинного обучения в будущем? Вот 5 тенденций машинного обучения, которых следует ожидать в 2023 году.

1. Автоматизация рабочих процессов машинного обучения станет более важной

Хотя мы видели, как многие ведущие технологические компании объявили об увольнениях во второй половине 2022 года, вероятно, ни одна из этих компаний не увольняет своих самых талантливых сотрудников машинного обучения. Однако, чтобы заполнить пустоту в виде меньшего количества людей в командах с глубокими техническими знаниями, компаниям придется еще больше склоняться к автоматизации, чтобы поддерживать высокую производительность и гарантировать завершение проектов. Мы также ожидаем, что компании, использующие технологию машинного обучения, будут внедрять больше систем для мониторинга и управления производительностью, а также принимать более обоснованные решения по управлению. МЛ или команды по науке о данных. С четко определенными целями технические команды должны будут больше ориентироваться на KPI, чтобы руководство могло иметь более глубокое понимание рентабельности инвестиций машинного обучения. Прошли времена неоднозначных тестов для машинного обучения.

2. Накопление талантов машинного обучения закончилось

Недавние увольнения, особенно для тех, кто работает с ML, скорее всего, являются самыми последними наймами, в отличие от более долгосрочных сотрудников, которые работали с ML в течение многих лет. С Машинное обучение и ИИ стали более распространенными в последнее десятилетие, многие крупные технологические компании начали нанимать таких работников, потому что они могли справиться с финансовыми затратами и держать их подальше от конкурентов — не обязательно потому, что они были нужны. С этой точки зрения неудивительно, что так много работников машинного обучения увольняются, учитывая излишек в более крупных компаниях. Однако по мере того, как эра накопления талантов машинного обучения подходит к концу, это может привести к новой волне инноваций и возможностей. Сейчас, когда так много талантов ищут работу, мы, вероятно, увидим, как многие люди уходят из крупных технологий в малый и средний бизнес или стартапы.

3. Приоритизация проектов машинного обучения будет сосредоточена на доходах и ценности для бизнеса.

Смотря на ML проекты в процессе работы командам придется работать намного эффективнее, учитывая недавние увольнения, и стремиться к автоматизации, чтобы помочь проектам двигаться вперед. Другим командам потребуется разработать дополнительную структуру и определить сроки, чтобы обеспечить эффективное выполнение проектов. Разным бизнес-подразделениям придется начать больше общаться — улучшать сотрудничество — и делиться знаниями, чтобы небольшие команды могли действовать как одна сплоченная единица.

Кроме того, командам также придется определить приоритеты, над какими типами проектов им нужно работать, чтобы добиться максимального эффекта за короткий период времени. Я вижу, что проекты машинного обучения сводятся к двум типам: продаваемые функции, которые, по мнению руководства, увеличат продажи и выиграют у конкурентов; и проекты по оптимизации доходов, которые напрямую влияют на доходы. Продаваемые художественные проекты, скорее всего, будут отложены, так как их трудно быстро реализовать. Вместо этого теперь небольшие команды машинного обучения будут уделять больше внимания оптимизации доходов, поскольку это может приносить реальный доход. В данный момент производительность важна для всех бизнес-подразделений, и машинное обучение не застраховано от этого.

Понятно, что в следующем году командам MLOps, которые специально сосредоточены на операциях машинного обучения, управлении и управлении, придется делать больше с меньшими затратами. Из-за этого предприятия будут использовать больше готовых решений, поскольку они дешевле в производстве, требуют меньше времени на исследования и могут быть адаптированы для удовлетворения большинства потребностей.

Команды MLOps также должны учитывать Открытый исходный код инфраструктуры вместо того, чтобы заключать долгосрочные контракты с облачными провайдерами. Хотя организации, использующие машинное обучение в гипермасштабе, безусловно, могут извлечь выгоду из интеграции со своими поставщиками облачных услуг, это заставляет эти компании работать так, как этого требует поставщик. В конце концов, вы, возможно, не сможете делать то, что хотите, и так, как хотите, и я не могу вспомнить никого, кто действительно наслаждался бы этим затруднительным положением.

Кроме того, вы зависите от облачного провайдера в отношении увеличения стоимости и обновлений, и вы пострадаете, если будете проводить эксперименты на локальных машинах. С другой стороны, открытый исходный код обеспечивает гибкую настройку, экономию средств и эффективность — и вы даже можете сами модифицировать открытый исходный код, чтобы убедиться, что он работает именно так, как вы хотите. Это становится гораздо более жизнеспособным вариантом, особенно с учетом того, что команды сокращаются в технологическом плане.

5. Унифицированные предложения будут иметь ключевое значение

Одним из факторов, замедляющих внедрение MLOps, является множество точечных решений. Это не значит, что они не работают, но они могут плохо интегрироваться друг с другом и оставлять пробелы в рабочем процессе. Поэтому я твердо верю, что 2023 год станет годом, когда отрасль перейдет к унифицированным сквозным платформам, построенным из модулей, которые можно использовать по отдельности, а также легко интегрировать друг с другом (а также легко интегрировать с другими продуктами). .

Такой платформенный подход с гибкостью отдельных компонентов обеспечивает гибкость, которую ищут современные специалисты. Это проще, чем покупать точечные продукты и соединять их вместе; это быстрее, чем создавать собственную инфраструктуру с нуля (когда вы должны использовать это время для создания моделей). Следовательно, это экономит время и труд, не говоря уже о том, что такой подход может быть гораздо более рентабельным. Нет необходимости мучиться с точечными продуктами, когда существуют унифицированные решения.

Заключение

В потенциально сложном 2023 году категорию машинного обучения ждут постоянные изменения. Он станет умнее и эффективнее. Когда организации говорят о мерах жесткой экономии, ожидайте, что вышеуказанные тенденции займут центральное место и повлияют на направление развития отрасли в новом году.

Мозес Гуттманн — генеральный директор и соучредитель ClearML..