Apprentissage automatique : 73 % des entreprises sont perdues en survie

Tout le monde sait que l'apprentissage automatique (ML) est l'une des technologies clés de l'intelligence artificielle et une technologie d'application qui gagne progressivement en maturité. Plus précisément, cette technologie peut apporter des changements à la future science des données, permettant aux sociétés d'applications de prendre des décisions éclairées basées sur davantage d'analyses de données, améliorant ainsi l'expérience commerciale des utilisateurs.

Alors, dans quels aspects et dans quelle mesure le ML a-t-il actuellement amélioré la situation opérationnelle des entreprises ? Récemment, Forrester Consulting a mené une enquête auprès de 150 dirigeants et décideurs en matière de données d'entreprise en Amérique du Nord et a conclu à certaines performances importantes du ML dans les décisions opérationnelles commerciales. Lesquelles de ces conclusions d’enquête peuvent nous aider et en tirer des leçons ?

Examinons d'abord quelques informations clés.

• Dans le secteur touché par l'apprentissage automatique, la détection automatisée des anomalies (Anomaly Detection) est la principale tâche à réaliser dans les un à trois prochaines années
• Dans le cadre de la mise en œuvre de la technologie, les îlots de données, une faible explicabilité et une faible transparence sont des obstacles majeurs à l'avancée, ralentissant ainsi les progrès vers l'amélioration de la maturité technologique.
• Si nous pouvons nous concentrer davantage sur les résultats commerciaux et établir des partenariats avec des entreprises qui ont beaucoup de pratique et une efficacité prouvée dans la technologie ML, cela sera plus propice à la mise en œuvre de cette technologie.

Seul un quart des applications ML sont au stade de maturité

En termes de temps de développement et de sortie du machine learning, la plupart des personnes interrogées ont choisi entre 1 et 5 ans, soit un total de 72 % . Parmi eux, plus de la moitié ont déclaré que leurs applications étaient sorties dans un délai d’un à deux ans. En fait, une stratégie d’apprentissage automatique mature nécessite une période de précipitation de trois ans ou plus. Seul un quart environ des entreprises qui répondent à cette norme l’appliquent depuis plus de cinq ans, et seulement 5 % d’entre elles l’appliquent.

De plus, 53 % des personnes interrogées prévoient d'améliorer l'efficacité de leur entreprise en tirant parti du ML.

Dans la stratégie actuelle de Big Data et d'analyse des données, 46 % des personnes choisissent d'utiliser le multi-cloud (y compris le cloud privé) ; 44 % choisissent d'étudier les performances de la pile pour mieux utiliser les données pour l'architecture du modèle ; pour évoluer afin de répondre aux besoins de volumes de données croissants.

Dans les un à trois prochaines années, les principales orientations stratégiques d'application du ML sont : la détection automatique des données anormales (40 %), la réception automatique des applications transparentes et des mises à jour de l'infrastructure (39 %) et la création d'applications IA. se conformer aux nouvelles exigences réglementaires et éthiques (39 %), etc.

Résoudre les silos de données dans la gestion technique est le plus difficile

En plus des capacités techniques, l'apprentissage automatique est également confronté à des défis considérables en matière de gestion du personnel et des processus. Parmi eux, 41 % estiment que briser les silos de données internes était le plus difficile, et 39 % ont choisi de convertir les modèles académiques en produits déployables. En outre, 38 % ont choisi respectivement de réduire les risques liés à l’IA et de briser les silos de données externes, et 36 % estiment que la plus grande difficulté réside dans le traitement d’ensembles de données à grande échelle, diversifiés et chaotiques.

Qu'il s'agisse de silos de données, de transformation de modèles ou de chaos d'ensembles de données, cela reflète l'écart entre l'universitaire et la commercialisation, en particulier dans la transformation de modèles, lors de l'utilisation du ML et de son application aux cas d'utilisation. Lors de la mise à l'échelle, de nombreux les gens ont du mal à présenter clairement la transparence, la traçabilité et l’explicabilité des flux de données.

Pour cette raison, lorsque les perspectives de mise en œuvre du ML ne sont pas claires, la direction croira qu'il est difficile de voir la valeur commerciale d'une mise en œuvre commerciale basée sur l'apprentissage automatique. Et s’il n’y a pas de relation claire avec le retour sur investissement, l’intention des dirigeants d’investir dans cette technologie diminuera considérablement. 73 % des personnes interrogées estiment que l'apprentissage automatique est toujours confronté à des défis en matière de transparence, de traçabilité et d'interprétabilité des données. L'incertitude des intentions d'investissement a exacerbé les difficultés de mise en œuvre de la technologie, et un cercle vertueux n'a pas encore été formé.

Les deux tiers des décideurs continueront d'augmenter l'application du ML

Cependant, même face à de nombreux défis, les décideurs tremblent encore lorsqu'ils prennent des décisions concernant l'apprentissage automatique, mais la plupart d'entre eux les répondants L'auteur estime que l'application du ML est encore très nécessaire. Les deux tiers des décideurs (67 %) estiment qu’il est très important d’accroître l’application globale de la technologie ML pour la planification stratégique de l’organisation. 66 % des personnes interrogées pensent qu'il est important d'ajouter des capacités techniques et des applications d'apprentissage automatique à l'ensemble d'outils actuellement utilisés.

Au niveau de l'entreprise, les trois principaux domaines dans lesquels l'apprentissage automatique devrait jouer un rôle comprennent : le partage de données sur la plateforme, le suivi des flux de données au sein de l'entreprise et la conduite d'actions plus rapides.

En ce qui concerne la coopération avec des tiers, 37% des personnes interrogées ont déclaré avoir établi une coopération et avoir l'intention de développer des partenariats; 30% ont déclaré entretenir une relation de coopération, mais ne sont pas prêts à la développer. plus. Pour des partenariats approfondis. En outre, 19% et 11% des personnes interrogées ont déclaré avoir des projets de coopération ou être intéressées par une coopération au cours de l'année prochaine.

Plus de 60 % des personnes interrogées ont déclaré qu'elles utilisaient des partenariats pour compenser leurs lacunes en matière d'apprentissage automatique et le manque de personnel, indiquant que la coopération gagnant-gagnant reste un moyen important de développer cette technologie. La coopération avec des tiers ayant une expérience dans le domaine de l'apprentissage automatique peut créer une synergie dans le développement de modèles, la formation du personnel et l'exploration d'un plus grand nombre de sources de données.

Référence de l'article et source de l'image :

L'opérationnalisation de l'apprentissage automatique permet d'obtenir des résultats commerciaux clés

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!