Du┼╝e firmy przoduj─ů w uczeniu maszynowym

Du┼╝e firmy przoduj─ů w uczeniu maszynowym

Wyniki nowego badania wskazuj─ů, ┼╝e specjali┼Ťci z zakresu data science i uczenia maszynowego w wi─Ökszych organizacjach s─ů znacznie bardziej zadowoleni z post─Öp├│w ni┼╝ ci w mniejszych organizacjach.

Z raportu specjalisty ds. Uczenia maszynowego, firmy Algorithmia, wynika, ┼╝e ÔÇőÔÇőosoby w organizacjach zatrudniaj─ůcych ponad 2500 pracownik├│w s─ů o 80 procent bardziej ÔÇ×zadowoloneÔÇŁ lub ÔÇ×bardzo zadowoloneÔÇŁ z post─Öp├│w w por├│wnaniu z profesjonalistami w firmach zatrudniaj─ůcych do 500 pracownik├│w.

W┼Ťr├│d innych kluczowych ustale┼ä jest to, ┼╝e 92% respondent├│w w firmach zatrudniaj─ůcych 10 000 lub wi─Öcej pracownik├│w twierdzi, ┼╝e inwestycje ich organizacji w uczenie maszynowe wzros┼éy o co najmniej 25% w ci─ůgu ostatniego roku. W firmach zatrudniaj─ůcych mniej ni┼╝ 10 000 pracownik├│w Dla por├│wnania 80% respondent├│w twierdzi, ┼╝e inwestycje ich organizacji wzros┼éy o co najmniej 25% w ci─ůgu ostatnich 12 miesi─Öcy.

W najwi─Ökszych przedsi─Öbiorstwach najwi─Ökszym przypadkiem u┼╝ycia uczenia maszynowego jest zwi─Ökszenie lojalno┼Ťci klient├│w (59%), a nast─Öpnie wzrost satysfakcji klient├│w (51%) i interakcja z klientami (48%). Wi─Öksze organizacje r├│wnie┼╝ k┼éad─ů wi─Ökszy nacisk na wykorzystanie nauki o danych do oszcz─Ödzania pieni─Ödzy. 48% respondent├│w w firmach zatrudniaj─ůcych ponad 10 000 pracownik├│w podaje oszcz─Ödno┼Ťci jako g┼é├│wny przypadek zastosowania ML, w por├│wnaniu z 43% w firmach zatrudniaj─ůcych 1001-2,500 pracownik├│w i 41% w firmach zatrudniaj─ůcych od 2,501 do 10 000 pracownik├│w.

Du┼╝e firmy technologiczne stworzy┼éy now─ů kategori─Ö infrastruktury – kt├│r─ů Algorytmia nazywa ÔÇ×warstw─ů AIÔÇŁ – do zarz─ůdzania obci─ů┼╝eniami obliczeniowymi, automatyzacji wdra┼╝ania modeli uczenia maszynowego i dostarczania narz─Ödzi do zarz─ůdzania uczeniem maszynowym w ca┼éej organizacji. Niekt├│re przyk┼éady warstw AI stworzonych przez du┼╝e firmy technologiczne obejmuj─ů FBLearner z Facebooka, TFX z Google i Michelangelo z Ubera.

ÔÇ×W 2018 r. Du┼╝e przedsi─Öbiorstwa maj─ů przewag─Ö, je┼Ťli chodzi o uczenie maszynowe, poniewa┼╝ maj─ů dost─Öp do wi─Ökszej ilo┼Ťci danych, mog─ů nadal inwestowa─ç w du┼╝e wysi┼éki badawczo-rozwojowe i maj─ů wiele problem├│w, kt├│re technologia uczenia maszynowego mo┼╝e rozwi─ůza─ç w op┼éacalny spos├│bÔÇŁ – m├│wi Diego Oppenheimer, CEO w Algorithmia. ÔÇ×A jednak nawet w najwi─Ökszych firmach produkcja i zarz─ůdzanie modelami uczenia maszynowego pozostaje wyzwaniem. Modele produkcyjne s─ů postrzegane jako ostatni krok do zwrotu z inwestycji. Bez platformy korporacyjnej, kt├│ra mog┼éaby pom├│c, firmy te trac─ů korzy┼Ťci p┼éyn─ůce z uczenia maszynowego. “

Je┼Ťli chodzi o wdra┼╝anie uczenia maszynowego, zespo┼éy sp─Ödzaj─ů zbyt du┼╝o czasu na infrastrukturze, wdra┼╝aniu i in┼╝ynierii, a za ma┼éo (mniej ni┼╝ 25%) na szkoleniu i powtarzaniu modeli.

Inne wyzwania obejmuj─ů trudno┼Ťci we wdra┼╝aniu modeli w wymaganej skali (38 procent), problemy z obs┼éug─ů r├│┼╝nych j─Özyk├│w programowania i struktur szkoleniowych (30 procent), a kolejne 30 procent wyzwania zwi─ůzane z raportowaniem w zadaniach zarz─ůdzania modelami, takich jak wersjonowanie i odtwarzalno┼Ť─ç.

ÔÇ×Og├│lnie rzecz bior─ůc, wi─Öksze firmy maj─ů wi─Öcej przypadk├│w u┼╝ycia uczenia maszynowego w produkcji ni┼╝ mniejsze firmyÔÇŁ – m├│wi Oppenheimer. ÔÇ×Ale og├│lnie rzecz bior─ůc, wszystkie firmy s─ů coraz m─ůdrzejsze pod wzgl─Ödem tego, gdzie i jak stosowa─ç technologi─Ö ML. Spodziewamy si─Ö du┼╝ych skok├│w w produkcyjnym uczeniu maszynowym w przysz┼éym roku, poniewa┼╝ naukowcy zajmuj─ůcy si─Ö danymi mog─ů ┼éatwiej wdra┼╝a─ç swoje modele i zarz─ůdza─ç nimiÔÇŁ.

Pe┼én─ů dokumentacj─Ö dotycz─ůc─ů stanu uczenia maszynowego mo┼╝na pobra─ç z witryny Algorithmia.

Kredyt obrazu: Jirsak / depositphotos.com