介绍
451拿
mlops
这些资产与传统应用不同,因此需要其他考虑因素。例如,与软件代码不同,预测模型会随着时间的流逝而侵蚀 - 一种称为模型漂移的现象 - 因此,采用者必须在部署后监视模型性能。在确定采样和再培训模型的频率时,组织必须权衡许多因素,例如数据科学家的时间,计算模型再培训的成本以及与任意预测相关的业务风险。这个仅包括在部署中管理一个模型的简单示例,证明了MLOP的指数复杂性。我们最近与之交谈的许多组织现在正在生产10或20个模型,但希望在一年左右的时间内增长到数百个。
在2020年,我们预计MLOP将从行业流行语转变为一系列形式化的最佳实践。此外,我们怀疑许多机器学习平台的提供商将推出针对模型管理的其他功能或工具。
负责的AI
人工智能技术的变革潜力很棒 - 它激发了兴奋和健康的恐惧程度,尤其是当它融入社会方面时。整个行业中的一种常见避免是确保这些扩散的AI系统对其决策的对象的危害。换句话说,该技术必须对其影响的人类负责。
人工智能基础设施
尽管AI的大部分嗡嗡声都集中在用例上,但构建这些应用程序的基础架构也至关重要。机器学习过程的每个阶段 - 数据管理和准备,模型培训或推断 - 对企业IT系统提出了独特的需求。此外,AI系统的数据量的大小可以达到PB量表,并且鉴于开发机器学习模型的实验性质,AI工作负载并不总是可以预测的。AI的大多数企业收养者已经开始制定围绕AI基础设施的策略。他们知道,这项关键技术的成功或失败至少部分取决于拥有足够(甚至是上级)基础架构。
可持续的AI
随着越来越多的企业采用该技术,AI工作负载的大小和频率都在增加,从而导致更多计算资源用于AI。正如Openai的一项研究表明,在尖端研究领域,这种趋势尤其严重,在与摩尔定律保持一致(预测每两年的加工能力增加一倍)之后,用于地标AI实验的计算每隔几个月加倍。这种变化的主要原因之一是深度学习。动力消耗的另一个驱动力是机器学习开发的关键阶段的自动化,这使得在单击按钮时更容易消耗大量的处理器周期。但是,一些供应商声称其自动化的ML实际上非常有效。很大程度上取决于所使用的芯片架构,例如CPU,FPGA,GPU或TPU。
新的创新用例
显而易见,2020年AI的新用例似乎很明显,因为我们每天都看到新的用例。但是,我们希望看到使用机器学习的组织从应用AI转变为以前已应用确定性软件方法(即基于规则的方法)的问题,以解决越来越复杂的用例仅软件。我们在2019年企业AI和机器学习用例调查的声音中看到了这一点,其中有37%的金融服务公司表示,他们打算使用AI来解决未来的合规性问题,而如今为28%。yabo07其他突出的例子包括药物发现,企业搜索的多年生问题,甚至是AI工作量的芯片设计。
市场成熟
总是需要通用AI平台 - 一组可用于构建和部署任何类型的AI应用程序的工具。但这不是每个AI供应商都可以尝试的事情,尽管许多供应商都可以尝试。我们希望在AI初创企业社区(供应商本身以及投资者)中占据现实主义的剂量,因为他们意识到,数百个通用AI平台将不会有可持续的市场,并且可能只有最终有少数的空间。公共云市场的圆角就是一个例子,那里的三个领先的提供商 - AWS,Google和Microsoft - 都提供通用AI平台。
尼克耐心is 451 Research’s lead analyst for AI and machine learning, an area he has been researching since 2001. He is part of the company’s Data, AI & Analytics research channel but also works across the entire research team to uncover and understand use cases for machine learning. Nick is also a member of 451 Research’s Center of Excellence for Quantum Technologies.
杰里米·科恩(Jeremy Korn)是451研究的副分析师。www.yabo11vip.com他毕业于布朗大学,获得了生物学和东亚研究学士学位,并接受了
基思·道森(Keith Dawson)是451研究的客户体验和商业实践的首席分www.yabo11vip.com析师,主要涵盖营销技术。基思(Keith)涵盖了25年的通信和企业软件的交集,主要研究如何影响和优化客户体验。