Estudo da Verta investiga uso de modelos de IA e ML nas empresas

A Verta, fornecedora de soluções de gerenciamento de modelo empresarial e Inteligência Artificial operacional (IA), divulgou as conclusões do estudo State of Machine Learning Operations 2022, que entrevistou mais de 200 profissionais de aprendizado de máquina (ML) sobre o uso de modelos de IA e ML para impulsionar o sucesso dos negócios. O estudo foi conduzido pela Verta Insights, área de pesquisa da Verta, e descobriu que, embora as empresas de todos os setores estejam preparadas para aumentar significativamente o uso de IA em tempo real nos próximos três anos, menos da metade realmente adotou as ferramentas necessárias para gerenciar a expansão prevista.

Na verdade, 45% dos entrevistados da pesquisa relataram que sua empresa relatou ter uma equipe de plataforma de dados ou IA/ML para apoiar a entrada de modelos em produção e apenas 46% têm uma plataforma MLOps para facilitar a colaboração entre as partes interessadas em ML no ciclo de vida, sugerindo que a maioria das empresas não está preparada para lidar com o aumento previsto nos casos de uso em tempo real.

A pesquisa também revelou que pouco mais da metade (54%) dos modelos de aprendizado de máquina aplicados hoje permitem casos de uso ou aplicativos em tempo real ou de baixa latência, contra 46% que permitem aplicativos analíticos ou em lote. No entanto, os casos de uso em tempo real estão definidos para um aumento acentuado, de acordo com o estudo. Mais de dois terços (69%) dos participantes relataram que os casos de uso em tempo real aumentariam nos próximos três anos, incluindo 25% que acreditam que haverá um “aumento significativo” em tempo real no mesmo período.

“Criamos o Verta Insights para entender melhor os desafios críticos e os problemas emergentes que as organizações enfrentam à medida que buscam agregar valor a partir de iniciativas de negócios orientadas por IA”, disse Rory King, chefe de Marketing e Pesquisa da Verta. “Como tínhamos hipotetizado, nosso estudo de MLOps identificou recursos como a adoção da plataforma MLOps e a formalização de equipes de plataforma de ML e comitês de governança que os principais executores usam mais prontamente para sua vantagem”, observou.

Quando solicitados a relatar a frequência com que suas organizações atingiram as metas financeiras e sua taxa de sucesso no envio de recursos habilitados para IA para aplicativos inteligentes, os líderes tiveram duas vezes mais chances de enviar produtos ou recursos de IA e três vezes mais chances de atender aos acordos de nível de serviço exigidos (SLAs) do que seus pares.

“Todo dispositivo inteligente tem inteligência embutida, e os consumidores apenas esperam que suas interações com as empresas ocorram online, em tempo real – interações comerciais também”, disse Manasi Vartak, CEO e fundadora da Verta. “À medida que a adoção de IA ​​aumenta drasticamente, as organizações precisarão aumentar sua pilha de tecnologia para incluir infraestrutura operacional de IA se pretenderem obter benefícios de primeira linha por meio de equipamentos, sistemas, produtos e serviços inteligentes”, afirmou.

Vartak explicou que a maioria das organizações passou anos investindo em aspectos fundamentais do aprendizado de máquina, como contratar talentos em ciência de dados para construir e treinar modelos e adquirir as pilhas de tecnologia associadas para apoiá-los. Isso está começando a mudar.

“O termo ‘MLOps’ é frequentemente usado para descrever o ciclo de vida de um modelo desde a construção inicial até o uso pretendido, mas, na realidade, muito poucas organizações e suas tecnologias capacitadoras são projetadas para executar aspectos operacionais reais do aprendizado de máquina”, disse Vartak. “Em vez disso, a maioria das empresas concentrou seus esforços em estabelecer uma base sólida para dominar cargas de trabalho analíticas em lote que não são adequadas para executar aplicativos críticos em tempo real”, enfatizou.

As pilhas de tecnologia para operacionalizar o ML para dar suporte a aplicativos em tempo real diferem daquelas usadas para criar e treinar modelos, observou Vartak. Os primeiros dependem muito do poder de computação massivo, como o uso de unidades de processo gráfico (GPU) combinadas com mecanismos de análise especializados para processamento de dados em larga escala. Por outro lado, o aprendizado de máquina operacional precisa ser tratado como um software ágil que deve passar por um rigor de teste incrível, estar sujeito a medidas de segurança rigorosas, operar com alta confiabilidade e fazer previsões com tempos de resposta incrivelmente rápidos medidos em milissegundos.

“A demanda por mais equipes de plataforma de ML sinaliza uma mudança no mercado, pois ressalta a necessidade de habilidades e tecnologia exclusivas para alcançar a IA operacional”, disse Vartak. “Perceber o valor que essas equipes agregam garantirá que as empresas se saiam muito melhor no fornecimento de resposta em tempo real aos seus clientes, aderindo aos princípios de IA responsável e cumprindo a próxima onda de regulamentações de IA”, finalizou.

Serviço
www.verta.ai