5 طرق يجب أن يتطور بها التعلم الآلي في عام 2023 الصعب

مع حلول عام 2022 ، أصبح تقييم كيفية تطور التعلم الآلي (ML) – كتخصص وتكنولوجيا وصناعة – أمرًا بالغ الأهمية. مع توقع استمرار نمو الإنفاق على الذكاء الاصطناعي والتعلم الآلي ، تبحث الشركات عن طرق لتحسين الاستثمارات المتزايدة وضمان القيمة ، لا سيما في مواجهة بيئة الاقتصاد الكلي الصعبة.

مع أخذ ذلك في الاعتبار ، كيف ستستثمر المؤسسات بشكل أكثر كفاءة مع تعظيم تأثير ML؟ كيف سيؤثر محور التقشف للتكنولوجيا الكبيرة على كيفية ممارسة ML ونشره وتنفيذه للمضي قدمًا؟ فيما يلي 5 اتجاهات ML المتوقعة في عام 2023.

1. ستصبح أتمتة تدفقات عمل تعلم الآلة أكثر أهمية

على الرغم من أننا رأينا الكثير من شركات التكنولوجيا الكبرى تعلن عن تسريح العمال في النصف الأخير من عام 2022 ، فمن المحتمل ألا تقوم أي من هذه الشركات بتسريح موظفي ML الموهوبين. ومع ذلك ، لملء الفراغ المتمثل في عدد أقل من الأشخاص في الفرق الفنية العميقة ، سيتعين على الشركات الاعتماد بشكل أكبر على الأتمتة للحفاظ على الإنتاجية وضمان وصول المشاريع إلى الاكتمال. نتوقع أيضًا أن نرى الشركات التي تستخدم تقنية ML تقوم بتنفيذ المزيد من الأنظمة لمراقبة الأداء والتحكم فيه واتخاذ المزيد من القرارات المستندة إلى البيانات بشأن إدارة ML أو فرق علوم البيانات. مع وجود أهداف محددة بوضوح ، يجب أن تكون الفرق الفنية أكثر تركيزًا على مؤشرات الأداء الرئيسية بحيث يمكن للقيادة الحصول على فهم أكثر عمقًا لعائد استثمار ML. لقد ولت أيام المعايير الغامضة لـ ML.

2. اكتناز موهبة ML قد انتهى

من المحتمل أن تكون عمليات التسريح الأخيرة للعمال ، وتحديداً لأولئك الذين يعملون مع ML ، هي أحدث التعيينات بدلاً من الموظفين على المدى الطويل الذين عملوا مع ML لسنوات. منذ أن أصبح ML و AI أكثر شيوعًا في العقد الماضي ، بدأت العديد من شركات التكنولوجيا الكبرى في توظيف هذه الأنواع من العمال لأنهم يستطيعون التعامل مع التكلفة المالية وإبعادهم عن المنافسين – ليس بالضرورة بسبب الحاجة إليهم. من هذا المنظور ، ليس من المستغرب أن يتم تسريح الكثير من عمال ML ، مع الأخذ في الاعتبار الفائض داخل الشركات الأكبر. ومع ذلك ، مع انتهاء عصر اكتناز المواهب ML ، يمكن أن يؤدي إلى موجة جديدة من الابتكار والفرص. مع وجود الكثير من المواهب التي تبحث الآن عن عمل ، فمن المحتمل أن نرى العديد من الأشخاص يتنقلون من التكنولوجيا الكبيرة إلى الشركات الصغيرة والمتوسطة الحجم أو الشركات الناشئة.

3. تحديد أولويات مشروع ML سوف تركز على الإيرادات وقيمة الأعمال

بالنظر إلى مشاريع ML قيد التنفيذ ، يجب أن تكون الفرق أكثر كفاءة نظرًا لعمليات التسريح الأخيرة والتطلع إلى الأتمتة لمساعدة المشاريع على المضي قدمًا. ستحتاج الفرق الأخرى إلى تطوير المزيد من الهيكلية وتحديد المواعيد النهائية لضمان اكتمال المشاريع بشكل فعال. سيتعين على وحدات الأعمال المختلفة أن تبدأ في التواصل بشكل أكبر – تحسين التعاون – ومشاركة المعرفة حتى تتمكن الفرق الأصغر من العمل كوحدة واحدة متماسكة.

بالإضافة إلى ذلك ، سيتعين على الفرق أيضًا تحديد أولويات أنواع المشاريع التي يتعين عليهم العمل عليها لتحقيق أقصى تأثير في فترة زمنية قصيرة. أرى مشاريع ML تتلخص في نوعين: ميزات يمكن بيعها تعتقد القيادة أنها ستزيد المبيعات وتنتصر على المنافسة ؛ ومشاريع تحسين الإيرادات التي تؤثر بشكل مباشر على الإيرادات. من المحتمل أن يتم تأجيل مشاريع الميزات القابلة للبيع حيث يصعب الخروج بسرعة. بدلاً من ذلك ، ستركز فرق تعلم الآلة الأصغر حجمًا الآن بشكل أكبر على تحسين الإيرادات حيث يمكنها تحقيق إيرادات حقيقية. يعد الأداء ، في هذه اللحظة ، ضروريًا لجميع وحدات الأعمال – وليس ML محصنًا ضد ذلك.

من الواضح أنه في العام المقبل ، سيتعين على فرق MLOps التي تركز بشكل خاص على عمليات MLOps وإدارتها وحوكمتها ، أن تفعل المزيد بموارد أقل. لهذا السبب ، ستتبنى الشركات المزيد من الحلول الجاهزة لأنها أقل تكلفة في الإنتاج ، وتتطلب وقتًا أقل للبحث ، ويمكن تخصيصها لتناسب معظم الاحتياجات.

ستحتاج فرق MLOps أيضًا إلى التفكير في البنية التحتية مفتوحة المصدر بدلاً من الدخول في عقود طويلة الأجل مع موفري الخدمات السحابية. بينما يمكن للمؤسسات التي تستخدم ML في hyperscale الاستفادة بالتأكيد من التكامل مع مزودي الخدمات السحابية ، فإنها تجبر هذه الشركات على العمل بالطريقة التي يريدها المزود. في نهاية اليوم ، قد لا تكون قادرًا على فعل ما تريد ، بالطريقة التي تريدها ، ولا يمكنني التفكير في أي شخص يستمتع بالفعل بهذا المأزق.

أيضًا ، أنت تحت رحمة مزود الخدمات السحابية لزيادة التكلفة والترقيات ، وستعاني إذا كنت تجري تجارب على الأجهزة المحلية. من ناحية أخرى ، يوفر المصدر المفتوح تخصيصًا مرنًا ، وتوفيرًا في التكاليف ، وكفاءة – ويمكنك حتى تعديل التعليمات البرمجية مفتوحة المصدر بنفسك للتأكد من أنها تعمل بالطريقة التي تريدها بالضبط. خاصة مع تقلص الفرق عبر التكنولوجيا ، أصبح هذا خيارًا أكثر قابلية للتطبيق.

5. ستكون العروض الموحدة هي المفتاح

أحد العوامل التي تؤدي إلى إبطاء اعتماد MLOps هو العدد الكبير من حلول النقاط. هذا لا يعني أنهم لا يعملون ، لكنهم قد لا يندمجون معًا بشكل جيد ويتركون فجوات في سير العمل. لهذا السبب ، أعتقد اعتقادًا راسخًا أن عام 2023 سيكون العام الذي تنتقل فيه الصناعة نحو منصات موحدة وشاملة مبنية من وحدات يمكن استخدامها بشكل فردي وأيضًا تتكامل بسلاسة مع بعضها البعض (بالإضافة إلى الاندماج بسهولة مع المنتجات الأخرى) .

يوفر هذا النوع من نهج النظام الأساسي ، مع مرونة المكونات الفردية ، نوع التجربة المرنة التي يبحث عنها المتخصصون اليوم. إنه أسهل من شراء منتجات النقاط وترقيعها معًا ؛ إنه أسرع من بناء البنية التحتية الخاصة بك من البداية (عندما يجب أن تستخدم هذا الوقت لبناء النماذج). لذلك ، فإنه يوفر الوقت والعمالة – ناهيك عن أن هذا النهج يمكن أن يكون أكثر فعالية من حيث التكلفة. ليست هناك حاجة للمعاناة من المنتجات النقطية عند وجود حلول موحدة.

خاتمة

في عام 2023 الذي يحتمل أن يكون تحديا ، فإن فئة ML بسبب التغيير المستمر. سوف تصبح أكثر ذكاءً وفعالية. بينما تتحدث المنظمات عن التقشف ، توقع أن ترى الاتجاهات المذكورة أعلاه تحتل مركز الصدارة وتؤثر على اتجاه الصناعة في العام الجديد.

Moses Guttmann هو الرئيس التنفيذي والشريك المؤسس لشركة ClearML.