Uma pesquisa com 750 tomadores de decisões revelou que a maioria das empresas (50%) leva entre oito e 90 dias para implantar o modelo de aprendizado em uma única máquina. De acordo com o estudo, 18% delas gastam mais de 90 dias para implementar a solução. Falta de escala (33%), desafios de reprodutividade do modelo (32%) e falta de adesão dos executivos (26%) são os três principais motivos para que essa demora ocorra.
Elaborado pela Algorithimia, o trabalho tem o nome de “State of Enterprise Machine Learning”. Diego Oppenheimer, CEO da empresa, avalia que as conclusões do estudo são consistentes com o que os clientes apontaram.
“As empresas estão aumentando seus investimentos em aprendizado de máquina, e a sua operacionalização está amadurecendo em todos os setores, mas ainda há espaço significativo para crescimento e aprimoramento”, observou o executivo.
Para ele, o ciclo de vida da implantação do modelo precisa continuar sendo mais eficiente e sem interrupções para as equipes de machine learning. “No entanto, as empresas com ciclos de vida de implantação de ML estabelecidos estão se beneficiando de resultados mensuráveis, incluindo redução de custos, detecção de fraude e satisfação do cliente. Esperamos que essas tendências continuem à medida que as tecnologias e processos de ML chegam ao mercado e são adotados”, contou.
Crescimento na contratação
Talvez sem surpresa, dadas as barreiras à adoção, a experiência em aprendizado de máquina permaneça em alta demanda. Pouco mais da metade das pessoas consultadas pela Algorithmia afirma que suas companhias empregam entre 1 e 10 cientistas de dados, e 5% afirmam empregar mais de 1.000; 39% dizem ter 11 ou mais. Esse último número representou um aumento de 18% em 2018, quando a última pesquisa State of the Enterprise Machine Learning foi publicada.
As previsões de uma escassez de cientistas de dados em todo o setor parecem prescientes, dado esse contexto. Em 2016, a Deloitte previa uma lacuna de 180.000 trabalhadores em 2018, e o número de listagens de empregos de cientistas de dados no LinkedIn aumentou mais de 650% entre 2012 e 2017.
A Algoritmia prevê que, à medida que a demanda por cientistas de dados cresça, as contratações de nível júnior possam ter menos oportunidade de estruturar os esforços de IA dentro de suas equipes, já que muito do escopo do programa provavelmente foi realizado por antecessores. No entanto, isso também pode significar que o alinhamento da liderança provavelmente será concedido e que as equipes de IA terão mais propriedade e margem de manobra na execução do projeto.
Desafios de adoção e implementação
Apesar da intensa pesquisa de talentos em ciência de dados na empresa, quase 55% das empresas representadas no relatório afirmam que ainda não implantaram um modelo de aprendizado de máquina (contra 51% das empresas no ano passado). Um quinto delas ainda está avaliando casos de uso ou planeja mover modelos para produção dentro do ano, e pouco mais de 22% têm modelos em produção há dois anos ou menos.
Este resultado vai na linha de um estudo recente realizado por analistas da International Data Corporation (IDC), que constatou que das organizações que já usam IA, apenas 25% desenvolveram uma estratégia de IA “em toda a empresa”. As empresas que responderam a essa pesquisa culparam o custo das soluções de IA e a falta de trabalhadores qualificados, bem como dados tendenciosos e expectativas irrealistas.
Como mencionado anteriormente, a mudança de modelos para a produção continua sendo um desafio para a maioria das organizações, de acordo com a Algorithmia. Pelo menos 20% das empresas de todos os tamanhos dizem que seus cientistas de dados passam um quarto do tempo implantando modelos, devido a bloqueadores de escala generalizados, como fornecer hardware, dados e ferramentas e realizar as otimizações necessárias. O controle de versão e a reprodutibilidade dos modelos – que afetam processos-chave como pipeline, reciclagem de modelos e avaliação – é outro requisito importante para muitos.
Quaisquer que sejam os fatores ou a combinação de fatores, é provável que os orçamentos não sejam os culpados. Cerca de 43% dos entrevistados dizem que seus gastos com inteligência artificial e aprendizado de máquina cresceram entre 1% e 25% de 2018 a 2019, enquanto 21% apontam que os orçamentos dos programas cresceram uma média de 26% a 50%. De fato, apenas 27% dos pesquisados observaram que seus gastos não haviam mudado, o que a Algoritmia atribui a empresas com maturidade em IA – ou seja, aquelas com modelos implantados há pelo menos dois anos – dobrando seus esforços.
Fonte: Venturebeat
