การสำรวจครั้งใหม่ของผู้มีอำนาจตัดสินใจด้านการเรียนรู้ด้วยเครื่องในสหรัฐอเมริกา 200 ราย พิจารณาแนวโน้ม โอกาส และความท้าทายในการเรียนรู้ของเครื่องและ MLOps (การดำเนินการเรียนรู้ของเครื่อง)
การศึกษาจาก ClearML พบว่า 41 เปอร์เซ็นต์ ความท้าทายที่ใหญ่ที่สุดของแพลตฟอร์ม เครื่องมือ หรือสแต็ก MLOps คือความไม่ลงรอยกันในการใช้เครื่องมือร่วมกับเทคโนโลยีอื่นๆ ในขณะที่ 22 เปอร์เซ็นต์ระบุว่าการล็อกผู้ให้บริการ–ความยากในการเปลี่ยนไปใช้ผู้ให้บริการรายอื่นโดยไม่มีค่าใช้จ่าย เวลา หรือการหยุดชะงักจำนวนมาก–เป็นความท้าทายที่ยิ่งใหญ่ที่สุด
“MLOps ในฐานะฟิลด์ใหม่และฟิลด์ที่เกิดขึ้นใหม่ถูกครอบงำด้วยจุดที่แยกส่วน โซลูชันนำเสนอฟังก์ชันการทำงานเพียงเสี้ยวหนึ่งที่บริษัทต้องการสำหรับ ML ที่ต่อเนื่อง”Moses Guttmann ซีอีโอและผู้ร่วมก่อตั้ง ClearML กล่าว”สถานการณ์นี้จำเป็นต้องเปลี่ยนแปลง เป้าหมายควรเป็นเพื่อลดการกระจายตัวและจัดหาโซลูชันที่ครอบคลุมมากขึ้นซึ่งตอบสนองความต้องการทั้งหมดของ MLOps เพื่อลดความท้าทายที่ผู้ปฏิบัติงานด้าน ML ต้องเผชิญ และปลดล็อกรายได้หลายพันล้านดอลลาร์สำหรับศักยภาพด้าน AI และเทคโนโลยี ML”
ปัญหาเพิ่มเติมที่รายงานโดยผู้ตอบแบบสำรวจ ได้แก่ ราคาที่สูงเกินไป (ร้อยละ 39) กระบวนการเริ่มต้นใช้งานใช้เวลานานเกินไป (ร้อยละ 35) และทีมไม่ได้ใช้โซลูชันที่จ่ายไป (ร้อยละ 14) นอกจากนี้ 16 เปอร์เซ็นต์ของผู้ตอบแบบสอบถามกล่าวว่าพวกเขาไม่ได้ใช้เครื่องมือของบุคคลที่สามเลย แต่เลือกที่จะใช้เครื่องมือที่สร้างขึ้นภายในแทน
ผู้ตอบแบบสอบถามส่วนใหญ่อย่างท่วมท้น (92 เปอร์เซ็นต์) กล่าวว่าพวกเขาต้องการใช้เครื่องมือดังกล่าว แพลตฟอร์ม MLOps แบบรวมที่ทำทุกอย่าง แทนที่จะใช้กึ่งแพลตฟอร์มและโซลูชันเฉพาะจุดหลายรายการซึ่งเป็นส่วนหนึ่งของสแต็ก MLOps
“ผู้มีอำนาจตัดสินใจของ ML พร้อมที่จะเพิ่มการลงทุนใน MLOps ในปีนี้ แต่จากข้อมูลของเรา ผลการสำรวจ พวกเขากำลังมองหาแพลตฟอร์มแบบ end-to-end ที่เป็นหนึ่งเดียว ไม่ใช่การกระจายการใช้จ่ายไปยังโซลูชันหลายจุด”Guttmann กล่าวเสริม”ด้วยความสนใจที่เพิ่มขึ้นในการสร้างมูลค่าทางธุรกิจที่เป็นรูปธรรมจากการลงทุนด้าน AI และ ML เราคาดหวังว่าความต้องการเทคโนโลยีแบบ all-in-one ที่ไร้รอยต่อจะผลักดันให้มีการนำ MLOps ไปใช้”
รายงานฉบับเต็ม ได้จากเว็บไซต์ ClearML
เครดิตรูปภาพ: จิรศักดิ์/depositphotos.com