Pourquoi vous devriez rembourser votre dette technique pour l’apprentissage automatique en 2021

Actualités de de l'Intelligence Artificielle - Machine Learning - Objets connectés

Pourquoi vous devriez rembourser votre dette technique pour l’apprentissage automatique en 2021


En novembre, nous a mené une enquête avec plus de 400 chefs d’entreprise impliqués dans des initiatives d’IA / ML dans leurs organisations et ont découvert le les 10 principales tendances du secteur en 2021.

L’une des tendances les plus choquantes que nous ayons découvertes est que malgré une augmentation spectaculaire de la priorité des initiatives de ML au cours de l’année écoulée, les organisations consacrent désormais encore plus de temps et de ressources au déploiement de modèles, pas moins.

Cet article explore la tendance en détail et ce que cela signifie pour toute dette technique vous avez accumulés pour les initiatives d’apprentissage automatique dans le passé.

Les data scientists consacrent de plus en plus de leur temps précieux au déploiement de modèles

Le temps nécessaire pour déployer un modèle augmente d'année en année

Dans l’ensemble, nos données ont montré que les organisations doublent leurs investissements en ML; D’une année sur l’autre, les budgets ont augmenté dans 83% des organisations et le nombre moyen de data scientists employés a augmenté de 76%. Mais malgré ces gains, le temps nécessaire pour déployer un modèle a augmenté d’année en année, 64% des entreprises prenant un mois ou plus. Dans 38% des entreprises, les data scientists passent plus de 50% de leur temps à déployer des modèles. De plus, dans les organisations avec plus de modèles en production, les data scientists passent un plus grand pourcentage de leur temps à les déployer – jusqu’à 75% ou plus de leur temps.

Les organisations disposant de plus de modèles consacrent plus de temps à leurs data scientists au déploiement, pas moins

Ce qui se passe? Nous pensons que les organisations utilisent leurs budgets et leurs effectifs accrus pour faire évoluer manuellement les efforts d’IA / ML plutôt que de résoudre les problèmes sous-jacents avec efficacité opérationnelle.

En d’autres termes: ils accumulent d’énormes dettes techniques qui continueront de faire boule de neige s’ils ne sont pas traités.

Qu’est-ce que la dette technique et pourquoi est-ce important?

La dette technique fait référence aux coûts (directs et indirects) qu’une organisation supporte lorsqu’elle prend la voie la plus simple ou la plus agile pour résoudre un problème, plutôt que de construire la meilleure solution à long terme. En soi, la dette technique n’est pas une mauvaise chose. Souvent, les entreprises doivent adopter une approche pragmatique pour mettre rapidement un produit sur le marché, puis l’itérer au fil du temps. Le problème, c’est lorsque la dette technique n’est pas corrigée au fil du temps. Les organisations doivent prévoir suffisamment de temps pour transformer leurs solutions originales et agiles en solutions à plus long terme qui s’adapteront à leurs activités.

En matière d’apprentissage automatique, nos données impliquent que les organisations s’endettent technique afin de déployer des modèles, mais ne les corrigent pas au fil du temps. Le résultat? Les entreprises doivent utiliser leurs budgets et leurs effectifs accrus pour mettre manuellement davantage de modèles en production, plutôt que d’utiliser ces ressources pour le fabriquer Plus facile pour déployer plus de modèles à l’avenir.

Cependant, une équipe croissante d’IA / ML aura un impact beaucoup plus important s’il est capable de se concentrer sur la science des données au lieu de payer constamment les frais généraux opérationnels. Les organisations qui continuent à accumuler des dettes techniques sans les rembourser limitent considérablement leur retour sur investissement potentiel. Comme ils n’investissent pas dans des solutions à plus long terme maintenant, ils seront incapables de tirer pleinement parti des opportunités du marché à l’avenir; cela nécessitera toujours de plus en plus de ressources, car ils n’ont pas investi dans la création de ces ressources plus efficace à offrir de la valeur. Le délai de rentabilisation de l’apprentissage automatique sera faible et la durabilité à long terme de leurs initiatives sera menacée.

Ce que cela signifie pour votre stratégie ML 2021

Alors que les organisations se dirigent vers 2021, elles seraient bien mieux servies en investissant dans l’efficacité opérationnelle et l’échelle de leur ML plutôt qu’en contractant davantage de dettes techniques. Si vous avez déjà contracté une dette technique importante pour le ML, alors 2021 devrait être l’année où vous apporterez ces améliorations opérationnelles. Si votre organisation ne fait que commencer avec le ML, vous avez l’opportunité idéale d’investir dans l’efficacité opérationnelle dès le départ. Dans les deux cas, opérations d’apprentissage automatique (MLOps) peut vous aider.

Les organisations qui prennent ces mesures aujourd’hui veilleront à ce que leurs scientifiques des données puissent se concentrer sur la création de modèles innovants – sans effectuer de tâches opérationnelles manuelles – et bénéficieront des plus grands avantages du ML en 2021.

Découvrez les 10 tendances du ML en entreprise

Ce n’est qu’une des tendances que nous avons découvertes dans notre enquête auprès de plus de 400 chefs d’entreprise. Vérifiez rapport complet aujourd’hui pour explorer les 10 tendances que nous avons découvertes dans nos recherches. 2021 sera une année cruciale pour les initiatives de ML: préparez-vous au succès en comprenant où se dirige l’industrie et comment vous pouvez en tirer le meilleur parti.

En savoir plus sur la série de blogs ML Trends