Intelligent Security Summit’teki tüm isteğe bağlı oturumlara buradan göz atın.
2021’de 612 milyon ABD doları olduğu tahmin edilen ve 2028’de 6 milyar ABD dolarının üstüne çıkacağı tahmin edilen küresel bir pazarda MLops manzarası gelişiyor. Sadece, son kullananların operasyonel hizmetleri için rekabet eden yüzlerce Mlops satıcısıyla da oldukça parçalanmış durumda. suni zeka (AI) ekosistemleri.
MLops, on yıldan kısa bir süre ilkin, kuruluşun suni zekayı eyleme geçirmesini engellemiş olan başlıca engellerden birini, doğrusu geliştirme ve eğitimden üretim ortamlarına geçişi ele almak için bir takım en iyi uygulama olarak ortaya çıktı. Bu oldukça önemlidir bundan dolayı neredeyse iki AI pilotundan biri üretime geçemez.
Peki 2023’te MLops manzarasında hangi trendler ortaya çıkacak? Çeşitli AI ve ML uzmanları tahminlerini VentureBeat ile paylaştı:
1. MLops abartıdan öteye gidecek
“MLops yalnız bir abartı mevzusu olmayacak, bununla beraber makine öğrenimi modellerini üretime getirmek için veri bilimcileri güçlendiren bir kaynak olacak. Birincil amacı, makine öğrenimi çözümlerinin geliştirme sürecini kolaylaştırmaktır.
Etkinlik
İsteğe Bağlı Akıllı Güvenlik Zirvesi
Suni zeka ve makine öğreniminin siber güvenlikteki tehlikeli sonuç rolünü ve sektöre hususi olay incelemelerini öğrenin. İsteğe bağlı oturumları bugün izleyin.
Buraya bak
“Kuruluşlar, suni zekayı ürünleştirmenin en iyi uygulamalarını teşvik etmeye çalışırken, makine öğrenimi ile veri mühendisliği arasındaki boşluğu kapatmak için MLops’un benimsenmesi, bu işlevleri sorunsuz bir halde birleştirmek için çalışacaktır. Suni zeka sistemlerinin ölçeklendirilmesinde yer edinen gelişen zorluklarda yaşamsal öneme haiz olacaktır. Gelecek yıl bunu benimseyen ve bu geçişi hızlandıran firmalar, meyvelerini toplayacaklar.”
— Steve Harris, Mindtech’in CEO’su
2. Veri bilimcileri, öncesinden oluşturulmuş sektöre özgü ve alana özgü makine öğrenimi modellerini tercih edecek
“2023’te, artan sayıda öncesinden oluşturulmuş makine öğrenimi göreceğiz [ML] modeller veri bilimcilerin kullanımına sunuluyor. Alan uzmanlığını ilk makine öğrenimi modeli içinde kapsıyor ve peşinden veri bilimcileri ve kuruluşları için değere erişme süresini ve pazara sunma süresini hızlandırıyorlar. Mesela, bu öncesinden oluşturulmuş makine öğrenimi modelleri, veri bilimcilerin modellerin tekrardan eğitilmesi ve ince ayarlarının yapılması için harcamak zorunda olduğu süreyi ortadan kaldırmaya yada azaltmaya destek sunar. Hugging Face AI topluluğunun, kullanıma hazır makine öğrenimi modelleri için bir pazar yeri oluşturmak için hâlihazırda yapmakta olduğu çalışmalara bir göz atın.
“Gelecek yıl ve sonrasında görmeyi beklediğim şey, sektöre özgü ve alana özgü öncesinden oluşturulmuş makine öğrenimi modellerinde bir artış; müesseselerinin aslı olmayan bir alanda mevzunun uzmanı olmak.”
— Snowflake ürün yönetimi direktörü Torsten Grabs
3. Kubernetes’te çalışan suni zeka ve makine öğrenimi iş yükleri, Kubernetes dışı dağıtımları geçecek
“Suni zeka ve makine öğrenimi iş yükleri hız kazanıyor sadece baskın projeler şu anda hala Kubernetes’te değil. Bunun 2023’te değişmesini bekliyoruz.
“Geçen yıl Kubernetes’i geliştiriciler için daha çekici hale getiren yeni projelerle uyarlamaya büyük oranda odaklanıldı. Bu çabalar ek olarak Kubernetes tekliflerini, Kubernetes’te barındırılırken hizmet standardını korumak için suni zeka ve makine öğreniminin yoğun data işlem gereksinimlerinin GPU’larda çalışmasına izin verecek şekilde uyarlamaya odaklandı.”
— Patrick McFadin, geliştirici ilişkileri başkan yardımcısı, DataStax
4. Operasyonel verimlilik, 2023 makine öğrenimi bütçeleri için bir kalem olacak
“Operasyonel verimliliğe odaklanan yatırımlar birkaç senedir yapılıyor, sadece bilhassa makroekonomik faktörler ortaya çıktıkça ve sınırı olan bir kabiliyet havuzu kaldıkça, bu 2023’te bir odak noktası olacak. Kuruluşlarını makine öğrenimi (ML) ve ileri teknolojilerle ilerletenler, döngüdeki insan yönünü içeren iş akışlarını tasarlamada en başarı göstermiş olanları buluyor. Bu yaklaşım, hızla gelişen teknolojinin takılıp kalması yada ek denetime gereksinim duyması durumunda oldukça gereksinim duyulan korkulukları sağlarken her iki tarafın da yan yana verimli bir halde çalışmasına olanak tanır.
“Kitleleri makine öğreniminin kalite güvence süreci mevzusunda eğitirken, büyük seviyede öğrenme sistemlerinin iyi mi çalıştığına ve sonuçta ortaya çıkan doğruluğun anlaşılmamasına bağlı olarak başlangıçta bir miktar geri itme ve tereddüt görmeyi bekleyin. Hala kuşku uyandıran sadece makine öğrenimi ile bildiğimiz statik, geleneksel teknoloji arasındaki temel farklardan önde gelen yön, makine öğreniminin süre içinde öğrenme ve uyum sağlama kabiliyetidir. Liderleri makine öğreniminin tüm değerinin iyi mi ortaya çıkarılacağı mevzusunda daha iyi eğitebilirsek – ve operasyonel verimliliğe ulaşmadaki yol gösterici eli – önümüzdeki birkaç yıl içinde oldukça fazla ilerleme göreceğiz.”
— Tony Lee, Hyperscience CTO’su
5. Makine öğrenimi proje önceliklendirmesi, gelire ve iş değerine odaklanacak
“Devam eden makine öğrenimi projelerine bakıldığında, son işten çıkarmalar göz önüne alındığında ekiplerin oldukça daha verimli olması ve projelerin ilerlemesine destek olmak için otomasyona yönelmesi gerekecek. Öteki ekiplerin, projelerin etkin bir halde tamamlanmasını sağlamak için daha çok yapı geliştirmesi ve son tarihler belirlemesi gerekecektir. Değişik iş birimlerinin daha çok kontakt kurmaya, işbirliğini geliştirmeye ve data paylaşmaya başlaması gerekecek, böylece artık daha minik olan bu takımlar tek bir uyumlu birim olarak hareket edebilecek.
“Ek olarak ekiplerin, kısa sürede en fazla etkiyi yaratmak için hangi tür projeler üstünde emekleri gerektiğine de öncelik vermesi gerekecek. Makine öğrenimi projelerinin iki türe ayrıldığını görüyorum: liderliğin satışları artıracağına ve rekabeti kazanacağına inanılmış olduğu satılabilir özellikler ve geliri direkt etkileyen gelir optimizasyonu projeleri. Satılabilir özellikli projeler, süratli bir halde ortaya çıkmaları zor olduğundan büyük olasılıkla ertelenecek ve bunun yerine artık daha minik olan makine öğrenimi ekipleri, gerçek gelir sağlayabileceği için daha oldukça gelir optimizasyonuna odaklanacak. Performans şu anda tüm iş birimleri için oldukça önemlidir ve Makine Öğrenimi bundan muaf değildir.”
— Gideon Mendels, MLops platformu Comet’in CEO’su ve kurucu ortağı
6. Enterprise ML ekipleri, model merkezli olmaktan oldukça veri merkezli olacak
“Kurumsal makine öğrenimi ekipleri, model merkezli olmaktan oldukça veri merkezli hale geliyor. Girdi verileri iyi değilse ve etiketler iyi değilse, o süre modelin kendisi iyi olmayacaktır – bu da daha yüksek oranda yanlış pozitif yada yanlış negatif tahminlere yol açacaktır. Bunun anlamı, eğitim için temiz ve iyi etiketlenmiş verilerin kullanıldığından güvenli olmaya oldukça daha çok odaklanılmasıdır.
“Mesela, İngilizce sözcükler bekleyen bir modeli eğitmek için yanlışlıkla İspanyolca sözcükler kullanılırsa, sürprizlerle karşılaşılabilir. Bu, MLops’u daha da mühim hale getirir. Takımlar eğitimden ilkin verileri yönetmeye ve üretim sonrası model etkinliğini izlemeye çalıştıkça, veri kalitesi ve makine öğrenimi gözlemlenebilirliği temel trendler olarak ortaya çıkıyor.”
— Ashish Kakran, müdür, Thomvest Ventures
7. MLops ekipleri uçtan uca sürece odaklanmak için genişledikçe Edge ML büyüyecek
“Bulut, benzersiz kaynaklar ve esneklik sağlamaya devam ederken, daha çok kurum uçta, karar vermenin gerçekleştiği veri kaynağının yakınında makine öğrenimi çalıştırmanın gerçek değerlerini görüyor. Bu, otonom ekipman için gecikmeyi azaltma ihtiyacı, bulut alımını ve depolama maliyetlerini azaltma ihtiyacı yada yüksek düzeyde güvenli sistemlerin açık internete bağlanamadığı uzak konumlardaki bağlantı eksikliği benzer biçimde çeşitli nedenlerle oluyor.
“Edge ML dağıtımı, bir cihaza bazı kodlar yapıştırmaktan daha fazlası olduğundan, MLops ekipleri tam uçtan uca sürece odaklanmak için genişledikçe Edge ML çok büyük bir gelişme yaşayacak.”
— Wallaroo AI’nın kurucusu ve CEO’su Vid Jain
8. Özellik mühendisliği otomatikleştirilecek ve basitleştirilecek
“Girdi verilerinin makine öğrenimi modelleri için tüketilebilir bir halde anlaşılması, sınıflandırılması ve hazırlanması süreci olan özellik mühendisliği bilhassa ilgi çekici bir alandır.
“Veri ambarları ve akış kabiliyetleri veri alımını basitleştirmiş ve AutoML platformları model geliştirmeyi demokratikleştirmiş olsa da, bu sürecin ortasında ihtiyaç duyulan özellik mühendisliği hala büyük seviyede manuel bir zorluktur. Bağlam ve anlam çıkarmak için alan bilgisi, verileri dönüştürmek için veri bilimi ve ‘özellikleri’ üretim modellerine yerleştirmek için veri mühendisliği gerektirir. Bu süreci otomatikleştirme ve basitleştirme mevzusunda mühim ilerlemeler kaydedilmesini bekliyoruz.”
— Glasswing Ventures’ın kurucusu ve yönetici ortağı Rudina Seseri
VentureBeat’in misyonu teknik karar vericilerin dönüştürücü kurumsal teknoloji ve işlemler hakkında data edinmeleri için dijital bir kent meydanı olmaktır. Brifinglerimizi keşfedin.