News

Machine Learning (ML), uno dei rami più sviluppati dell’Intelligenza Artificiale, consiste nell’insegnare ai computer a trarre conclusioni dai dati. Per essere più specifici, gli algoritmi sono costruiti per trovare modelli e correlazioni all’interno di una vasta gamma di dati, per prendere le decisioni migliori e fare previsioni basate su tale analisi. Proprio come fanno gli esseri umani.

Le organizzazioni di ogni settore sviluppano “casi d’uso” per il ML (es. assistente vocale, marketing personalizzato, rilevatore di frodi, ottimizzazione dei trasporti) in grado di offrire il miglior impatto possibile sul business. Lo sviluppo di una grande varietà di casi d’uso sta diventando un must per la maggior parte delle grandi imprese e i loro Chief Data Officer (CDO), insieme ai team di dati, vengono valutati in base al loro contributo allo sviluppo di questi casi.

Come è possibile capire, molte organizzazioni affrontano la sfida di generare un ciclo di vita ML end-to-end e, in aggiunta le difficoltà legate all’individuazione e conseguente sviluppo di quei casi che produrrebbero maggiore impatto (positivo).

Ma quali sono, nello specifico, i problemi più comuni che le organizzazioni stanno affrontando per quanto riguarda lo sviluppo del ML?

Dopo, aver intervistato 351 CDOs di 14 settori in tutto il mondo, sono stati individuati quattro temi come i più comuni:

1. Ogni azienda sta sviluppando modelli ML da sola, non c’è conoscenza condivisa tra le aziende (55%) questo si traduce in uno sviluppo indipendente e, quindi, l’elaborazione di casi efficaci e di impatto è più lenta
2. L’inadeguata collaborazione tra data science e produzione (39%) aumenta la possibilità di utilizzo di framework inadeguati al tipo di dati che devono essere analizzati
3. Una molteplicità di strumenti e framework (32%) si traduce in una maggiore difficoltà nel confrontare i risultati del processo di automazione
4. L’aggiornamento infrequente dei dati del modello (27%) implica un aumento dell’inaffidabilità dei dati.