2021 Κατάσταση της αγοράς μηχανικής μάθησης: Η υιοθέτηση επιχειρήσεων είναι ισχυρή

2021 Κατάσταση της αγοράς μηχανικής μάθησης: Η υιοθέτηση επιχειρήσεων είναι ισχυρή

November 29, 2022 0 Von admin
επιστήμη δεδομένων, μηχανική μάθηση, εταιρικό λογισμικό, AI, τεχνητή νοημοσύνη
  • Το 59% όλων των μεγάλων επιχειρήσεων αναπτύσσουν σήμερα την επιστήμη δεδομένων (DS) και τη μηχανική μάθηση (ML).
  • Σχεδόν το 50% όλων των οργανισμών έχουν έως και 25 ή περισσότερα μοντέλα ML σε χρήση σήμερα.
  • Το 29% των επιχειρήσεων ανανεώνουν καθημερινά τα μοντέλα επιστήμης δεδομένων και μηχανικής εκμάθησης.
  • Όσο υψηλότερη είναι η παιδεία δεδομένων που μπορεί να επιτύχει μια επιχείρηση πριν ξεκινήσει πρωτοβουλίες Data Science & Machine Learning, τόσο μεγαλύτερη είναι η πιθανότητα επιτυχίας.

Αυτές και πολλές άλλες πληροφορίες που καθορίζουν την κατάσταση της αγοράς της επιστήμης δεδομένων και της μηχανικής μάθησης το 2021 προέρχονται από Dresner Advisory Services‘ 2021 Μελέτη Αγοράς Επιστήμης Δεδομένων και Μηχανικής Μάθησης. Η 7η ετήσια έκθεση είναι αξιοσημείωτη για το βάθος της ανάλυσης και τη διορατικότητά της σχετικά με το πώς η υιοθέτηση της επιστήμης δεδομένων και της μηχανικής μάθησης ενισχύεται στις επιχειρήσεις. Επιπλέον, η μελέτη εξηγεί ποιοι παράγοντες οδηγούν την υιοθέτηση και καθορίζουν τους βασικούς παράγοντες επιτυχίας που έχουν τη μεγαλύτερη σημασία κατά την ανάπτυξη τεχνικών επιστήμης δεδομένων και μηχανικής εκμάθησης. Η μεθοδολογία χρησιμοποιεί τεχνικές crowdsourcing για την πρόσληψη ερωτηθέντων από περισσότερους από 6.000 οργανισμούς και κοινότητες πελατών προμηθευτών. Ως αποτέλεσμα, το 52% των ερωτηθέντων είναι από τη Βόρεια Αμερική και το 34% από την ΕΜΕΑ, με το υπόλοιπο από την Ασία-Ειρηνικό και τη Λατινική Αμερική.

„Η αντιληπτή σημασία της επιστήμης δεδομένων και της μηχανικής μάθησης συσχετίζεται με την οργανωτική επιτυχία με το BI, με τους χρήστες που αυτοαναφέρονται ως απόλυτα επιτυχημένοι με το BI σχεδόν διπλάσιες πιθανότητες να αξιολογήσουν την επιστήμη δεδομένων ως κρίσιμη.“ είπε ο Jim Ericson, αντιπρόεδρος και διευθυντής έρευνας στο Dresner Advisory. «Το αντιληπτό επίπεδο παιδείας δεδομένων συσχετίζεται επίσης άμεσα και θετικά με την τρέχουσα ή πιθανή μελλοντική χρήση της επιστήμης δεδομένων και της μηχανικής μάθησης το 2021».

Τα βασικά στοιχεία από τη μελέτη περιλαμβάνουν τα ακόλουθα:

  • Το 59% των μεγάλων επιχειρήσεων αναπτύσσουν την επιστήμη δεδομένων και τη μηχανική μάθηση στην παραγωγή σήμερα. Οι επιχειρήσεις με 10.000 υπαλλήλους ή περισσότερους οδηγούν όλους τους άλλους στην υιοθέτηση και χρήση τεχνικών DS και ML, πιο συχνά σε εργασίες που σχετίζονται με το Κέντρο Ικανοτήτων Ε&Α και Business Intelligence (BICC). Οι επιχειρήσεις μεγάλης κλίμακας βασίζονται συχνά στο DS και το ML για να προσδιορίσουν τον τρόπο με τον οποίο οι εσωτερικές διαδικασίες και οι ροές εργασίας μπορούν να εξορθολογιστούν και να γίνουν πιο αποδοτικές ως προς το κόστος. Για παράδειγμα, ο Διευθύνων Σύμβουλος μιας κατασκευαστικής εταιρείας εξήγησε σε μια πρόσφατη τηλεδιάσκεψη ότι οι πιλότοι DS και ML προσφέρουν την απαραίτητη ορατότητα και έλεγχο σε πολλές εγκαταστάσεις και βοηθούν στην αντιμετώπιση προβλημάτων διαχείρισης αποθεμάτων και κατανομής της εφοδιαστικής αλυσίδας.
επιστήμη δεδομένων, μηχανική μάθηση, εταιρικό λογισμικό, AI, τεχνητή νοημοσύνη
  • Η σημασία της επιστήμης δεδομένων και της ML για τις επιχειρήσεις έχει διπλασιαστεί μέσα σε οκτώ χρόνια, από 25% το 2014 σε 70% το 2021. Η μελέτη Dresner σημειώνει ότι ένα επίπεδο ρεκόρ επιχειρήσεων βλέπει την επιστήμη των δεδομένων και την ML ως κρίσιμης σημασίας για την επιχείρησή τους το 2021. Επιπλέον, το 90% των επιχειρήσεων θεωρεί αυτές τις τεχνολογίες απαραίτητες για τις δραστηριότητές τους, βαθμολογώντας τις ως εξαιρετικά σημαντικές ή πολύ σημαντικές. Τα επιτυχημένα έργα σε Κέντρα Ικανοτήτων Επιχειρηματικής Ευφυΐας (BICC) και Ε&Α βοήθησαν την επιστήμη των δεδομένων και την ML να αποκτήσουν ευρεία υιοθέτηση σε όλους τους οργανισμούς. Οι επιχειρήσεις μεγαλύτερης κλίμακας με περισσότερους από 10.000 υπαλλήλους κλιμακώνουν με επιτυχία την επιστήμη δεδομένων και την ML για να βελτιώσουν την προβολή, τον έλεγχο και την κερδοφορία στους οργανισμούς σήμερα.
επιστήμη δεδομένων, μηχανική μάθηση, εταιρικό λογισμικό, AI, τεχνητή νοημοσύνη
  • Οι επιχειρήσεις κυριαρχούν στη στρατολόγηση και τη διατήρηση ταλέντων της επιστήμης δεδομένων και της μηχανικής μάθησης. Οι επιχειρήσεις μεγάλης κλίμακας με πάνω από 10.000 υπαλλήλους είναι οι πιο πιθανό να έχουν στο προσωπικό τους ειδικούς BI και επιστήμονες δεδομένων/στατιστικούς. Επιπλέον, οι επιχειρήσεις μεγάλης κλίμακας πρωτοστατούν στις προσλήψεις και τη διατήρηση σε επτά από τους εννέα ρόλους που περιλαμβάνονται στην έρευνα. Είναι κατανοητό πώς η τεχνογνωσία των επαγγελματιών σε αυτούς τους ρόλους στο Business Intelligence (BI) συμβάλλει στην άρση των εμποδίων για την απόκτηση μεγαλύτερης επιχειρηματικής αξίας από την επιστήμη δεδομένων και τη μηχανική εκμάθηση. Οι επιχειρήσεις μαθαίνουν πώς να κλιμακώνουν την επιστήμη δεδομένων και τα μοντέλα ML για να αντιμετωπίζουν προβλήματα που ήταν πολύ περίπλοκα για να επιλυθούν μόνο με analytics ή BI.
επιστήμη δεδομένων, μηχανική μάθηση, εταιρικό λογισμικό, AI, τεχνητή νοημοσύνη
  • Το 80% των ερωτηθέντων σε DS και ML επιθυμούν τουλάχιστον τη διαχείριση του κύκλου ζωής του μοντέλου, την παρακολούθηση της απόδοσης του μοντέλου, τον έλεγχο της έκδοσης του μοντέλου και τη γενεαλογία και το ιστορικό του μοντέλου. Η παρακολούθηση της κατάστασης κάθε μοντέλου, συμπεριλαμβανομένου του ελέγχου έκδοσης, είναι μια πρόκληση για όλους σχεδόν τους οργανισμούς που υιοθετούν την ML σήμερα. Οι επιχειρήσεις φτάνουν σε κλίμακα ML όταν μπορούν να διαχειρίζονται μοντέλα ML σε όλο τον κύκλο ζωής τους χρησιμοποιώντας ένα αυτοματοποιημένο σύστημα. Τα επόμενα τέσσερα πιο δημοφιλή χαρακτηριστικά της επαναφοράς μοντέλου, του αποθετηρίου μοντέλων με δυνατότητα αναζήτησης, της συνεργασίας, των εργαλείων συν-δημιουργίας μοντέλων και της εγγραφής και πιστοποίησης μοντέλων συνάδουν με τα σχόλια των ομάδων Επιστήμης Δεδομένων σχετικά με το τι χρειάζονται περισσότερο σε μια πλατφόρμα ML.
επιστήμη δεδομένων, μηχανική μάθηση, εταιρικό λογισμικό, AI, τεχνητή νοημοσύνη
  • Οι Χρηματοοικονομικές Υπηρεσίες δίνουν προτεραιότητα στη διαχείριση του κύκλου ζωής του μοντέλου και στην παρακολούθηση της απόδοσης του μοντέλου για να επιτύχουν μεγαλύτερη κλίμακα από τα δεκάδες χιλιάδες μοντέλα που χρησιμοποιούν σήμερα. Σε συμφωνία με άλλες έρευνες που παρακολουθούν την υιοθέτηση ML από τον κλάδο, η μελέτη Dresner διαπίστωσε ότι οι Χρηματοοικονομικές Υπηρεσίες ηγούνται όλων των άλλων βιομηχανιών στην ανάγκη τους για τα δύο πιο πολύτιμα χαρακτηριστικά των πλατφορμών ML, τη διαχείριση κύκλου ζωής μοντέλων και την παρακολούθηση της απόδοσης του μοντέλου. Το λιανικό και το χονδρικό εμπόριο ανακαλύπτουν εκ νέου τα επιχειρηματικά τους μοντέλα σε πραγματικό χρόνο για να γίνουν πιο εικονικά, παρέχοντας παράλληλα μεγαλύτερη προβολή σε πραγματικό χρόνο σε όλες τις αλυσίδες εφοδιασμού. Τα μοντέλα ML σε αυτούς τους δύο κλάδους χρειάζονται αυτοματοποιημένο έλεγχο έκδοσης μοντέλου, γενεαλογία και ιστορία μοντέλων, επαναφορά μοντέλων, συνεργατικά, εργαλεία συν-δημιουργίας μοντέλων και εγγραφή και πιστοποίηση μοντέλων. Επιπλέον, οι έμποροι λιανικής και οι χονδρέμποροι διπλασιάζουν την επιστήμη δεδομένων και τη μηχανική μάθηση για να υποστηρίξουν νέες ψηφιακές επιχειρήσεις, να βελτιώσουν την απόδοση της αλυσίδας εφοδιασμού και να αυξήσουν την παραγωγικότητα.
επιστήμη δεδομένων, μηχανική μάθηση, εταιρικό λογισμικό, AI, τεχνητή νοημοσύνη
  • Οι επιχειρήσεις χρειάζονται υποστήριξη για το διευρυνόμενο φάσμα των μοντέλων παλινδρόμησης, των λειτουργιών ανάλυσης κειμένου και της εκμάθησης συνόλου. Τα τελευταία επτά χρόνια, η δημοτικότητα των λειτουργιών ανάλυσης κειμένου και της ανάλυσης συναισθημάτων αυξάνεται συνεχώς. Οι πωλητές της Martech και οι τεχνολόγοι μάρκετινγκ που οδηγούν την αγορά αυξάνουν την πρακτικότητα και τη σημασία της ανάλυσης συναισθήματος. Οι μηχανές συστάσεων και η γεωχωρική ανάλυση υφίστανται επίσης μεγαλύτερη υιοθέτηση λόγω της αλλαγής της φύσης της ανάλυσης και της μοντελοποίησης πρόβλεψης βάσει του πελάτη και της αγοράς.
επιστήμη δεδομένων, μηχανική μάθηση, εταιρικό λογισμικό, AI, τεχνητή νοημοσύνη
  • Τα R, TensorFlow και PyTorch θεωρούνται τα τρία πιο κρίσιμα πλαίσια στατιστικής και μηχανικής μάθησης ανοιχτού κώδικα το 2021. Σχεδόν το 70% των ερωτηθέντων θεωρούν ότι το R είναι σημαντικό για την ολοκλήρωση της εργασίας στην επιστήμη των δεδομένων και την ML. Η γλώσσα R έχει καθιερωθεί ως βιομηχανικό πρότυπο και είναι πολύ σεβαστή σε DevOps και ομάδες IT στις χρηματοοικονομικές υπηρεσίες, τις επαγγελματικές υπηρεσίες, τις συμβουλές, τις διαδικασίες και τη διακριτή κατασκευή. Οι Tensorflow και Pytorch θεωρούνται σημαντικοί από την πλειονότητα των οργανισμών με τους οποίους συμμετείχε η ερευνητική ομάδα του Dresner. Είναι επίσης ένα από τα πιο περιζήτητα πλαίσια ML σήμερα, με νέους αιτούντες που έχουν εμπειρία και στα τρία να προσλαμβάνονται ενεργά σήμερα.
επιστήμη δεδομένων, μηχανική μάθηση, εταιρικό λογισμικό, AI, τεχνητή νοημοσύνη
  • Η παιδεία δεδομένων προβλέπει τα ποσοστά επιτυχίας των προγραμμάτων DS και ML. Το 64% των οργανισμών δηλώνουν ότι έχουν εξαιρετικά υψηλά ποσοστά αλφαβητισμού, υπονοώντας ότι το DS και το ML έχουν φθάσει στην επικρατούσα υιοθέτηση χάρη εν μέρει στα ποσοστά παιδείας BI στο παρελθόν. Οι επιχειρήσεις που δίνουν προτεραιότητα στον αλφαβητισμό δεδομένων παρέχοντας εκπαίδευση, πιστοποίηση και συνεχή εκπαίδευση αυξάνουν τις πιθανότητες επιτυχίας με την ML. Ένα μπόνους είναι ότι οι εργαζόμενοι θα έχουν την ευκαιρία να μάθουν εμπορεύσιμες δεξιότητες που μπορούν να χρησιμοποιήσουν στις τρέχουσες και μελλοντικές τους θέσεις. Η επένδυση στην εκπαίδευση για τη βελτίωση της παιδείας στα δεδομένα είναι μια νίκη/κερδισμένη.
επιστήμη δεδομένων, μηχανική μάθηση, εταιρικό λογισμικό, AI, τεχνητή νοημοσύνη
  • Τα αναλυτικά στοιχεία στη βάση δεδομένων και τα αναλυτικά στοιχεία στη μνήμη (και τα δύο 91%) και οι υπηρεσίες cloud με πολλούς μισθωτές (88%) είναι οι τρεις πιο δημοφιλείς τεχνολογίες στις οποίες βασίζονται οι επιχειρήσεις για μεγαλύτερη επεκτασιμότητα. Η ερευνητική ομάδα του Dresner παρατηρεί ότι η επεκτασιμότητα της επιστήμης δεδομένων και της μηχανικής μάθησης συχνά περιλαμβάνει πολλαπλές, διαφορετικές απαιτήσεις για την αντιμετώπιση υψηλών όγκων δεδομένων, μεγάλου αριθμού χρηστών, ποικιλίας δεδομένων, ενώ υποστηρίζεται η αναλυτική απόδοση. Η υποστήριξη του Apache Spark συνεχίζει να αυξάνεται στις επιχειρήσεις και είναι η τέταρτη πιο αξιόπιστη υποστήριξη του κλάδου για την επεκτασιμότητα ML.
επιστήμη δεδομένων, μηχανική μάθηση, εταιρικό λογισμικό, AI, τεχνητή νοημοσύνη

Μοιραστείτε αυτό: