5 formas en que el aprendizaje automático debe evolucionar en un desafiante 2023

Con 2022 detrás de nosotros, es clave hacer un balance de cómo ha evolucionado el aprendizaje automático (ML), como disciplina, tecnología e industria. Dado que se espera que el gasto en IA y ML siga creciendo, las empresas buscan formas de optimizar sus crecientes inversiones y generar valor, especialmente frente a un entorno macroeconómico desafiante.

Con esto en mente, ¿cómo invertirán las organizaciones de manera más eficiente mientras maximizan el impacto del aprendizaje automático? ¿Cómo afectará el pivote de austeridad de la gran tecnología la forma en que se practica, implementa y ejecuta el aprendizaje automático en el futuro? Aquí hay 5 tendencias de ML para esperar en 2023.

1. La automatización de los flujos de trabajo de ML será más esencial

Si bien hemos visto a muchas de las principales empresas tecnológicas anunciar despidos en la segunda mitad de 2022, es probable que ninguna de estas empresas esté despidiendo a su personal de ML más talentoso. Sin embargo, para llenar el vacío de menos personas en equipos profundamente técnicos, las empresas deberán apoyarse aún más en la automatización para mantener alta la productividad y garantizar que los proyectos se completen. También esperamos que las empresas que utilizan la tecnología ML implementen más sistemas para monitorear y controlar el rendimiento y tomen más decisiones basadas en datos sobre la gestión de ML o equipos de ciencia de datos. Con objetivos claramente definidos, los equipos técnicos deberán centrarse más en los KPI para que el liderazgo pueda tener una comprensión más profunda del ROI del aprendizaje automático. Atrás quedaron los días de puntos de referencia ambiguos para ML.

2. Se acabó la acumulación de talento de ML

Los despidos recientes, particularmente para aquellos que trabajan con ML, probablemente sean contrataciones más recientes que el personal a más largo plazo que ha estado trabajando con ML durante años. A medida que ML y AI se han vuelto más comunes durante la última década, muchas grandes empresas de tecnología han comenzado a contratar a este tipo de trabajadores porque podían administrar los costos financieros y mantenerlos alejados de los competidores, no necesariamente porque fueran necesarios. Desde este punto de vista, no sorprende ver tantos trabajadores de ML despedidos, considerando el excedente dentro de las empresas más grandes. Sin embargo, con el final de la era de la acumulación de talento ML, podría marcar el comienzo de una nueva ola de innovación y oportunidad. Con tantos talentos ahora buscando trabajo, es probable que veamos a muchas personas saliendo de la gran tecnología y entrando en pequeñas y medianas empresas o nuevas empresas.

3. La priorización de proyectos de ML se centrará en los ingresos y el valor empresarial

Al observar los proyectos de ML en curso, los equipos deberán ser mucho más eficientes dados los despidos recientes y buscar la automatización para ayudar a que los proyectos avancen. Otros equipos deberán desarrollar una estructura más estructurada y determinar plazos para garantizar que los proyectos se completen de manera efectiva. Las diferentes unidades comerciales deberán comenzar a comunicarse más, mejorar la colaboración y compartir conocimientos para que los equipos más pequeños puedan actuar como una unidad cohesiva.

Además, los equipos también deberán priorizar los tipos de proyectos en los que necesitan trabajar para lograr el máximo impacto en un corto período de tiempo. Veo proyectos de ML reducidos a dos tipos: características comercializables que el liderazgo cree que impulsarán las ventas y ganarán a la competencia; y proyectos de optimización de ingresos que tienen un impacto directo en los ingresos. Es probable que los proyectos de características comercializables se retrasen, ya que son difíciles de publicar rápidamente. En cambio, los equipos de ML ahora más pequeños se centrarán más en la optimización de ingresos, ya que puede generar ingresos reales. El rendimiento es fundamental para todas las unidades de negocio en este momento, y el aprendizaje automático no es inmune a él.

Está claro que el próximo año, los equipos de MLOps que se centren específicamente en las operaciones, la gestión y el gobierno de ML tendrán que hacer más con menos. Por esta razón, las empresas adoptarán más soluciones listas para usar porque son menos costosas de fabricar, requieren menos tiempo de investigación y se pueden personalizar para satisfacer la mayoría de las necesidades.

Los equipos de MLOps también deberán considerar la infraestructura de código abierto en lugar de estar sujetos a contratos a largo plazo con proveedores de servicios en la nube. Si bien las organizaciones que usan ML a hiperescala ciertamente pueden beneficiarse de la integración con sus proveedores de servicios en la nube, obliga a estas empresas a trabajar de la manera en que el proveedor quiere que trabajen. Al final del día, es posible que no pueda hacer lo que quiere, de la manera que quiere, y no puedo pensar en nadie que realmente aprecie esa situación.

Además, está a merced del proveedor de la nube por aumentos de costos y actualizaciones, y sufrirá si experimenta en máquinas locales. Por otro lado, el código abierto ofrece personalización flexible, ahorro de costos y eficiencia, e incluso puede modificar el código fuente abierto usted mismo para asegurarse de que funcione exactamente como lo desea. Especialmente con equipos que se están reduciendo en tecnología, esto se está convirtiendo en una opción mucho más viable.

5. Las ofertas unificadas serán clave

Uno de los factores que retrasan la adopción de MLOps es la gran cantidad de soluciones puntuales. Eso no quiere decir que no funcionen, pero es posible que no encajen bien y dejen espacios en el flujo de trabajo. Por esta razón, creo firmemente que 2023 será el año en que la industria avance hacia plataformas unificadas de extremo a extremo construidas a partir de módulos que se pueden usar individualmente y también se integran perfectamente entre sí (además de integrarse fácilmente con otros productos) .

Este tipo de enfoque de plataforma, con la flexibilidad de los componentes individuales, ofrece el tipo de experiencia ágil que buscan los especialistas de hoy. Es más fácil que comprar productos puntuales y vincularlos; es más rápido que construir su infraestructura desde cero (cuando debería usar ese tiempo para construir modelos). Por lo tanto, ahorra tiempo y mano de obra, sin mencionar que este enfoque puede ser mucho más rentable. No hay necesidad de sufrir con productos puntuales cuando existen soluciones unificadas.

Conclusión

En un 2023 potencialmente desafiante, la categoría ML está preparada para cambios constantes. Será más inteligente y eficiente. A medida que las organizaciones hablan de austeridad, espere ver que las tendencias anteriores ocupen un lugar central e influyan en la dirección de la industria en el nuevo año.

Moses Guttmann es director ejecutivo y cofundador de ClearML.