Здесь, в DiUS, мы говорили со многими компаниями об использовании ML в течение последних пяти лет и обнаружили, что большинство организаций хотят внедрить ML, но эта преобразующая технология не внедряется с той скоростью, которой она должна быть.

На самом деле, наш опыт показывает, что значительная часть организаций с трудом выходит за рамки проверки концепции или стадии пилотного проекта. Выбор правильной проблемы, проблемы с данными, точность модели и интеграция приложений могут стать серьезными препятствиями, задерживающими или препятствующими успеху проекта машинного обучения. Однако мы понимаем, что наши наблюдения могут быть неполными, поэтому мы проверили наших клиентов и более широкий австралийский рынок.

Результаты опроса 205 респондентов подтвердили то, что мы видим: больше организаций могут добиться успеха с помощью машинного обучения. На австралийском рынке существует большой спрос на ML: 82% организаций заинтересованы в ML, но только 21% в производстве.

Другие ключевые выводы в отчете включают:

  • Внедрение машинного обучения будет ускоряться. 86 % респондентов считают машинное обучение критически важной или одной из нескольких важных технологий в будущем, а 49 % из тех, кто еще не начал, планируют сделать это в ближайшие 12 – 24 месяца.
  • Инвестируйте в данные. Проблемы, связанные с данными, являются либо первыми, либо вторыми по количеству сообщений о проблемах после начала пути к машинному обучению. Невозможно переоценить важность качества данных, инженерии данных и создания соответствующей инфраструктуры данных и конвейеров для реализации инициатив ML.
  • В Австралии может возникнуть дефицит навыков машинного обучения. Только 69 % организаций с моделями в производстве сообщают о достаточных возможностях машинного обучения.
  • Основные варианты использования машинного обучения ориентированы на внутренние нужды… пока. Двумя главными направлениями бизнеса являются операционная эффективность (48%) и принятие бизнес-решений (46%). В будущем респонденты планируют сместить акцент как на внутреннюю, так и на внешнюю деятельность: операционная эффективность (57%) и качество обслуживания клиентов (51%).
  • Организации могут добиться успеха с ML, сделав его своим приоритетом. 79 % респондентов, добившихся успеха с ML, имеют стратегию, предполагающую, что целенаправленность и инвестиции определяют результаты.

Большинство (81%) действующих организаций сообщают об успешных бизнес-результатах. Вот некоторые примеры:

  • bolttech создал новый подход к работе с клиентами. Используя новаторскую технологию удаленной диагностики, bolttech может быстро и легко включить клиентов в планы защиты устройств. Клиенты просто держат свой смартфон перед зеркалом и проходят серию тестов, основанных на технологиях машинного обучения и компьютерного зрения нового поколения. Результатом является автоматический инструмент снижения рисков для Bolttech и лучший в своем классе опыт для клиентов. Ссылка на кейс.
  • Datarock анализирует цифровые фотографии, чтобы извлечь новые выгоды из горнодобывающей промышленности. Datarock – это облачная платформа для анализа изображений керна на основе машинного обучения, которая предоставляет точную, быструю и непротиворечивую информацию с высоким разрешением о геологии месторождения полезных ископаемых. Используя компьютерное зрение и анализ изображений, Datarock поддерживает более эффективное принятие решений на протяжении всего процесса разведки и добычи, обеспечивая значительную экономию производительности и производительности для итоговой прибыли рудника. Ссылка на кейс.

В конечном счете, опрос пульса подтверждает, что единой формулы успеха не существует; нет ни одного приложения или области, работающей непропорционально лучше, чем другие. Есть некоторые серьезные проблемы, однако они не являются непреодолимыми, поскольку организации все еще развиваются, несмотря на эти препятствия.

Здесь, в DiUS, мы остаемся всегда оптимистичными, понимая, что машинное обучение все еще является развивающейся областью, и универсальной «передовой практики» пока нет. Для машинного обучения не существует готового решения. Мы обнаружили, что правильный подход заключается в том, чтобы сосредоточиться на правильных проблемах, использовать экспериментальный подход, постоянно инвестировать в последние достижения, включая инструменты облачных поставщиков и платформы с открытым исходным кодом, создавать собственные возможности машинного обучения и поддержки, а также обеспечивать поддержку организации. .

Хотите узнать больше? Отчет National Pulse по машинному обучению доступен для скачивания на веб-сайте DiUS. В нем описывается каждый этап пути к машинному обучению и приводятся некоторые ключевые соображения и советы, которые организации должны учитывать при реализации проектов машинного обучения.