AI:Algorithmia《2021 enterprise trends in machine learning 2021年机器学习的企业趋势》翻译与解读

简介: AI:Algorithmia《2021 enterprise trends in machine learning 2021年机器学习的企业趋势》翻译与解读


目录

《2021 enterprise trends in machine learning 2021年机器学习的企业趋势》翻译与解读

Methodology

Report themes

10 trends

2021: The year of ML

Priority shifts优先级转变

Trend 1: AI/ML priority and budgets are increasing趋势 1:AI/ML 优先级和预算正在增加

Trend 2: Customer experience, automation take priority趋势二:客户体验、自动化优先

Trend 3: AI/ML “have” and “have-not” gap趋势三:AI/ML“有”和“无”的差距

Challenges remain挑战依然存在

Trend 4: Governance is top challenge by far趋势 4:治理是迄今为止最大的挑战

Trend 6: Need for organizational alignment趋势 6:需要组织协调

Trend 7: Maturity limited by alignment issues趋势 7:成熟度受限于对齐问题

The bottom line底线

Technical debt is piling up技术债务堆积如山

Trend 8: Deployment time is increasing趋势 8:部署时间正在增加

Trend 9: Data scientists spend too much time on deployment趋势 9:数据科学家在部署上花费过多时间

MLOps preferences偏好

Trend 10: Improved outcomes with MLOps solutions趋势 10:使用 MLOps 解决方案改善结果

Conclusion


相关文章

AI:Algorithmia《2020 state of enterprise machine learning—2020年企业机器学习状况》翻译与解读

AI:Algorithmia《2021 enterprise trends in machine learning 2021年机器学习的企业趋势》翻译与解读

《2021 enterprise trends in machine learning 2021年机器学习的企业趋势》翻译与解读

文章链接https://info.algorithmia.com/2021-enterprise-trends-webinar-recording?utm_medium=website&utm_source=resources-page&utm_campaign=IC-2012-2021-ML-Trends

作者:Diego Oppenheimer,首席执行官

平台:algorithmia.com | @algorithmia

简介:迭戈·奥本海默(Diego Oppenheimer)是Algorithmia的联合创始人兼首席执行官。此前,他设计、管理和发布了一些微软最常用的数据分析产品,包括Excel、Power Pivot、SQL Server和Power BI。他持有卡内基梅隆大学(Carnegie Mellon University)的信息系统学士学位和商业智能和数据分析硕士学位。

Methodology

Random sampling of 403 respondents

Business leaders involved in machine learning initiatives at their organizations

Organizations with $100M or more in revenue

Independent third-party

随机抽样 403 名受访者

在其组织中参与机器学习计划的商业领袖

收入超过 1 亿美元的组织

独立第三方

Report themes

Priority shifts

Organizations are responding to economic uncertainty by dramatically increasing AI/ML investment

Challenges remain

Enterprises continue to face basic challenges across the ML lifecycle

Technical debt is piling up

Despite the increased investment, organizations are spending even more time and resources on model deployment

MLOps preferences

Organizations report improved outcomes with third-party MLOps solutions

优先级转变

企业组织正在通过大幅增加 AI/ML 投资来应对经济不确定性

挑战依然存在

企业在整个机器学习生命周期中继续面临基本挑战

技术债务堆积如山

尽管增加了投资,但组织在模型部署上花费了更多的时间和资源

MLOps偏好

组织报告使用第三方 MLOps 解决方案改善了结果

10 trends

Priority shifts

1. AI/ML priority and budgets are increasing

2. Customer experience and automation are top-priority use cases for AI/ML

3. There’s a gap between AI/ML “haves” and “have-nots”

优先级转变

1. AI/ML 优先级和预算正在增加

2. 客户体验和自动化是 AI/ML 的首要用例

3. AI/ML“有”和“无”之间存在差距

Challenges remain

4. Governance is the top challenge by far

5. Basic integration and compatibility issues remain

6. AI/ML success requires organizational alignment

7. Companies lack organizational alignment maturity

挑战依然存在

4. 治理是迄今为止最大的挑战

5. 基本的集成和兼容性问题仍然存在

6. AI/ML 的成功需要组织协调

7. 公司缺乏组织一致性成熟度

Technical debt is piling up

8. Deployment time is increasing

9. Data scientists spend too much time on deployment

技术债务堆积如山

8. 部署时间越来越长

9. 数据科学家在部署上花费太多时间

MLOps preferences

10. Organizations report improved outcomes with MLOps solutions

MLOps偏好

10. 组织报告使用 MLOps 解决方案改善了结果

2021: The year of ML

This was a year of increased urgency for ML—but initial efforts to scale only created more technical debt.

In 2021, organizations that invest in MLOps will reap the greatest rewards.

今年是机器学习紧迫性增加的一年——但最初的扩展努力只会产生更多的技术债务。

2021 年,投资于 MLOps 的组织将获得最大的回报。

Priority shifts优先级转变

Trend 1: AI/ML priority and budgets are increasing趋势 1:AI/ML 优先级和预算正在增加

83% of organizations have increased A/ML budgets year-on-year

83% 的组织增加了 A/ML 预算

The average number of data scientists employed has increased76% year-on-year

数据科学家的平均就业人数同比增长了76%

Trend 2: Customer experience, automation take priority趋势二:客户体验、自动化优先

The percentage of respondents who selected more than five use cases for AI/ML in our survey increased 74% year-on-year

Customer experience and process automation represent the top AI/ML use cases

在我们的调查中,选择超过 5 个 AI/ML 用例的受访者比例同比增长 74%

客户体验和流程自动化代表了顶级 AI/ML 用例

For nearly all use cases,50% or more of organizations are increasing their usage of AI/ML

对于几乎所有用例,50% 或更多的组织正在增加对 AI/ML 的使用

Trend 3: AI/ML “have” and “have-not” gap趋势三:AI/ML“有”和“无”的差距

More than half of all respondents have more than 25 models in production.

40% of all respondents have more than 50 models in production.

超过一半的受访者拥有超过 25 款型号在生产中。

40% 的受访者拥有 50 多款型号在生产中。

The world's largest enterprises are dominating the high end of model scale

世界上最大的企业正在主导模型规模的高端

Challenges remain挑战依然存在

Trend 4: Governance is top challenge by far趋势 4:治理是迄今为止最大的挑战

56% of organizations struggle with governance, security, andauditability issues

56% 的组织在治理、安全和可审计性问题上苦苦挣扎

When asked about regulations they need to comply with for AI/ML, 67% of respondents selected multiple regulations.

Only 8% selected no regulations at all.

67% of all organizations must comply with multiple regulations.

当被问及他们需要遵守的 AI/ML 法规时,67% 的受访者选择了多项法规。

只有 8% 的人根本没有选择任何法规。

67% 的组织必须遵守多项法规

Trend 6: Need for organizational alignment趋势 6:需要组织协调

Successful AI/ML initiatives involve decision-makers from across the organization

成功的 AI/ML 计划涉及整个组织的决策者

Trend 7: Maturity limited by alignment issues趋势 7:成熟度受限于对齐问题

Organizational alignment is the biggest gap in achieving AI/ML maturity

组织一致性是实现 AI/ML 成熟度的最大差距

The bottom line底线

Stuck in the lab

Disconnected teams

Technology mismatch

Stakeholder buy-in

Hidden technical debt

Inefficient machine learning lifecycle

困在实验室

断开连接的团队

技术不匹配

利益相关者的支持

隐藏的技术债务

低效的机器学习生命周期

Stuck in the lab: Compliance with existing IT governance, security, and auditability requirements delays or prevents deployment.

Disconnected teams: Difficulty aligning data science development needs with IT requirements for production.

Technology mismatch: Missed opportunities to deploy models in time to capitalize on market opportunities.

Stakeholder buy-in: Difficulty tracking ML investment outcomes for value delivered.

Hidden technical debt: Frequent updates, significant production testing, and constant validation required to maintain model quality and performance.

困在实验室:遵守现有的 IT 治理、安全性和可审计性要求会延迟或阻止部署。

断开连接的团队:难以将数据科学开发需求与 IT 产品需求保持一致。

技术不匹配:错过了及时部署模型以利用市场机会的机会。

利益相关者的支持:难以跟踪 ML 投资结果以实现价值交付。

隐藏的技术债务:维护模型质量和性能所需的频繁更新、重要的产品测试和持续验证。

Technical debt is piling up技术债务堆积如山

Trend 8: Deployment time is increasing趋势 8:部署时间正在增加

Only 11% of organizations can put a model into production within a week,and 64% take a month or longer

只有 11% 的组织可以在一周内将模型投入生产,而 64% 的组织需要一个月或更长时间

The time required to deploy a model is increasing year-on-year

部署模型所需时间逐年增加

Trend 9: Data scientists spend too much time on deployment趋势 9:数据科学家在部署上花费过多时间

38% of organizations spend more than 50% of their data scientists' time on deployment

38% 的企业将超过 50% 的数据科学家时间用于部署

Organizations with more models spend more of their data scientists' timeon deployment, not less

拥有更多模型的企业将更多的数据科学家的时间花在部署上,而不是更少

MLOps preferences偏好

Trend 10: Improved outcomes with MLOps solutions趋势 10:使用 MLOps 解决方案改善结果

71% of all organizations have hybrid environments, and 42% have acombination of cloud and on-premises infrastructure

71% 的组织拥有混合环境,42% 拥有云和本地基础架构的组合

42% of respondents have hybrid environments consisting of both cloud and on-premises solutions.

Last year, only 16% did.

42% 的受访者拥有由云和本地解决方案组成的混合环境。

去年,只有 16% 的人这样做了。

 

Buying a third-party solution costs 19-21% less than building your own

购买第三方解决方案的成本比构建自己的解决方案低 19-21%

Respondents were asked to indicate theiraverage annual infrastructure costs based onpredefined ranges, such as "$51-$100K". Thetotal average annual infrastructure cost wasthen estimated as a range.The low estimate isbased on the lower bound for each predefinedrange (for example, $51K for “$51-$100K").The high estimate is based on the upper boundfor each predefined range (for example, $100Kfor"$51-$100K"). For the pre-defined rangethat represented the greatest cost ("more than$10M"), the lower bound of the range was usedfor both the high and low estimate.The percentdifference was calculated with the underlyingdata before rounding to the nearest percentage point.

受访者被要求根据预定义的范围(例如“$51-$100K”)说明他们的平均年度基础设施成本。 然后将年平均基础设施总成本估计为一个范围。低估计基于每个预定义范围的下限(例如,$51K 对应“$51-$100K”)。高估计基于每个预定义范围的上限( 例如,$100K 代表“$51-$100K”)。对于代表最大成本(“超过 1000 万美元”)的预定义范围,该范围的下限用于最高和最低估计。百分比差异为 在四舍五入到最接近的百分点之前用基础数据计算。

Organizations that buy a third-party solution spend less of theirdata scientists' time on model deployment

购买第三方解决方案的组织在模型部署上花费的数据科学家时间更少

The time required to deploy a model is 31% lower for organizations thatbuy a third-party solution

对于购买第三方解决方案的组织来说,部署一个模型所需的时间降低了31%

Conclusion

2021: The year of ML

Next year will be a crucial year for AI/ML initiatives.There’s increased urgency—don’t get left behind.

More accessible than ever

Despite the increasing complexity of the space, it’s never been easier to start investing in AI/ML and scale it more effectively.

You need MLOps

Organizations that invest in operational efficiency will reap the greatest benefits in 2021. The time to act is now!

2021:机器学习之年

明年将是 AI/ML 计划的关键一年。紧迫性越来越高——不要落后。

比以往任何时候都更容易访问

尽管该领域的复杂性越来越高,但开始投资 AI/ML 并更有效地扩展它从未如此简单。

你需要 MLOps

投资于运营效率的组织将在 2021 年获得最大的收益。现在是行动的时候了!


相关文章
|
16天前
|
机器学习/深度学习 人工智能 安全
探索AI的未来:从机器学习到深度学习
【10月更文挑战第28天】本文将带你走进AI的世界,从机器学习的基本概念到深度学习的复杂应用,我们将一起探索AI的未来。你将了解到AI如何改变我们的生活,以及它在未来可能带来的影响。无论你是AI专家还是初学者,这篇文章都将为你提供新的视角和思考。让我们一起探索AI的奥秘,看看它将如何塑造我们的未来。
52 3
|
1月前
|
机器学习/深度学习 数据采集 人工智能
AI与机器学习:从理论到实践
【10月更文挑战第2天】本文将深入探讨AI和机器学习的基本概念,以及它们如何从理论转化为实际的应用。我们将通过Python代码示例,展示如何使用机器学习库scikit-learn进行数据预处理、模型训练和预测。无论你是AI领域的初学者,还是有一定基础的开发者,这篇文章都将为你提供有价值的信息和知识。
|
11天前
|
机器学习/深度学习 人工智能 自然语言处理
机器学习之解释性AI与可解释性机器学习
随着人工智能技术的广泛应用,机器学习模型越来越多地被用于决策过程。然而,这些模型,尤其是深度学习模型,通常被视为“黑箱”,难以理解其背后的决策逻辑。解释性AI(Explainable AI, XAI)和可解释性机器学习(Interpretable Machine Learning, IML)旨在解决这个问题,使模型的决策过程透明、可信。
25 2
|
11天前
|
机器学习/深度学习 数据采集 人工智能
揭秘AI:机器学习的魔法与代码
【10月更文挑战第33天】本文将带你走进AI的世界,了解机器学习的原理和应用。我们将通过Python代码示例,展示如何实现一个简单的线性回归模型。无论你是AI新手还是有经验的开发者,这篇文章都会给你带来新的启示。让我们一起探索AI的奥秘吧!
|
14天前
|
机器学习/深度学习 人工智能 自然语言处理
探索AI的奥秘:机器学习入门指南
【10月更文挑战第30天】本篇文章是一份初学者友好的机器学习入门指南,旨在帮助读者理解并开始实践机器学习。我们将介绍机器学习的基本概念,包括监督学习、无监督学习和强化学习等。我们还将提供一些实用的代码示例,以帮助读者更好地理解和应用这些概念。无论你是编程新手,还是有一定经验的开发者,这篇文章都将为你提供一个清晰的机器学习入门路径。
32 2
|
22天前
|
机器学习/深度学习 数据采集 人工智能
揭秘AI的魔法:机器学习如何改变我们的世界
【10月更文挑战第22天】在这篇文章中,我们将深入探讨机器学习的奥秘,揭示它是如何在我们的日常生活中扮演着越来越重要的角色。从简单的数据分类到复杂的预测模型,机器学习的应用已经渗透到各个领域。我们将通过实例和代码示例,展示机器学习的基本概念、工作原理以及它如何改变我们的生活。无论你是科技爱好者还是对AI充满好奇的初学者,这篇文章都将为你打开一扇通往未来的大门。
|
1月前
|
机器学习/深度学习 存储 人工智能
揭秘机器学习背后的神秘力量:如何高效收集数据,让AI更懂你?
【10月更文挑战第12天】在数据驱动的时代,机器学习广泛应用,从智能推荐到自动驾驶。本文以电商平台个性化推荐系统为例,探讨数据收集方法,包括明确数据需求、选择数据来源、编写代码自动化收集、数据清洗与预处理及特征工程,最终完成数据的训练集和测试集划分,为模型训练奠定基础。
44 3
|
1月前
|
机器学习/深度学习 人工智能 安全
自动化测试的未来:AI与机器学习的结合
随着技术的发展,软件测试领域正迎来一场革命。自动化测试,一度被认为是提高效率和准确性的黄金标准,如今正在被人工智能(AI)和机器学习(ML)的浪潮所推动。本文将探讨AI和ML如何改变自动化测试的面貌,提供代码示例,并展望这一趋势如何塑造软件测试的未来。我们将从基础概念出发,逐步深入到实际应用,揭示这一技术融合如何为测试工程师带来新的挑战和机遇。
65 3
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
自动化测试的未来:AI与机器学习的融合
【9月更文挑战第29天】在软件测试领域,自动化测试一直是提高测试效率和质量的关键。随着人工智能(AI)和机器学习(ML)技术的飞速发展,它们正逐步渗透到自动化测试中,预示着一场测试革命的来临。本文将探讨AI和ML如何重塑自动化测试的未来,通过具体案例展示这些技术如何优化测试流程,提高测试覆盖率和准确性,以及它们对测试工程师角色的影响。
91 7
|
1月前
|
机器学习/深度学习 人工智能 算法
揭秘AI:机器学习的魔法与现实
【9月更文挑战第33天】在这篇文章中,我们将一探究竟,揭开机器学习神秘的面纱,通过直观的解释和代码示例,了解其背后的原理。无论你是初学者还是有一定基础的学习者,这篇文章都将为你提供有价值的信息。让我们一起探索机器学习的世界,发现它的奥秘和魅力!

热门文章

最新文章