La segunda ola de la adopción de IA y ML empresarial está creciendo a pasos agigantados. Esto es lo que debes saber sobre el aumento de las inversiones en aprendizaje automático en las empresas.
Se espera que esta evolución alcance su cúspide en 2021, ya que muchas empresas han aumentado y acelerado sus inversiones en herramientas y personal.
Esta fue una de las conclusiones a las que llegó Algorithmia en su informe anual sobre tendencias empresariales en machine learning. El 83% de las empresas encuestadas dijeron que sus presupuestos de IA y ML habían aumentado. Se descubría que la cantidad promedio de científicos de datos a los que se les da trabajo aumentó en un 76%.
Estos cambios se han producido incluso cuando muchas empresas ajustaron sus gastos generales y reorientaron sus prioridades estratégicas en medio de toda la incertidumbre que provocó 2020 con la pandemia de Covid-19. Estas empresas no están sólo avanzando con sus iniciativas de IA y ML a pesar de la pandemia. Lo que están haciendo es duplicar sus inversiones debido a esto.
Lo que debes saber sobre el aumento de las inversiones en aprendizaje automático en las empresas
Muchas organizaciones han comenzado a comprender cuán fundamental es el aprendizaje automático para seguir siendo competitivos. Cuando se realizó la encuesta anterior durante el verano de 2020, se reveló un tinte de «urgencia» en cuanto a las inversiones en estos campos. El 43% de los encuestados dijo que la IA y el ML atraía mucho más negocio de lo que se había visto hasta ese momento.
No es sólo que esté aumentando el gasto y el personal. Se está acelerando su búsqueda de un número creciente de casos de uso de machine learning empresarial, con la experiencia del cliente y la automatización a la cabeza.
Como decíamos, esta segunda gran ola de adopción ya está en marcha. El momento de actuar es ahora. Las organizaciones que adoptan un enfoque de «esperar a ver qué pasa» corren riesgo de quedarse atrás. Esto es sobre todo porque muchas otras empresas están aumentando sus inversiones. Sus competidores no sólo están aumentando sus presupuestos de IA y ML.
También están moviendo sus iniciativas a lo más alto de sus listas de prioridades estratégicas. Más o menos, tres de cada cuatro encuestados dijeron esto mismo. El 28% además entiende que es su máxima prioridad en general. Estas empresas se han dado cuenta de que su éxito está directamente relacionado con su capacidad para adaptarse a las condiciones comerciales que cambian constantemente.
Esto ya no es un ámbito exclusivo de las empresas tecnológicas de élite. Las empresas de todos los tamaños y sectores pueden comenzar a trabajar con estas herramientas. Las oportunidades son más accesibles que nunca. No se necesita una gran cantidad de tiempo o recursos para comenzar, y es absolutamente crucial que se empiece ya.
Se está viendo como muchas empresas de large data comienzan a impulsar grandes transformaciones de sus negocios e industrias con IA y ML. Cada vez se persiguen más casos de uso en industrias antiguas, desde seguros hasta agricultura.
La necesidad de equipos MLOps
Que se trate de herramientas de fácil implementación, no obsta para que haya que pensar en la eficiencia operativa y de escala. Hay que pensar en esto como en la industrialización de las operaciones de machine learning (MLOps). Si bien las herramientas fáciles de usar reducen la barrera de entrada, sólo son la mitad del camino. Hay que invertir en procesos repetibles y automatizados o nos encontraremos con un muro de deudas técnicas y otros problemas. MLOps allana el camino hacia los conjuntos de aplicaciones, procesos y equipos de tecnología bien alineados e integrados. Estos facilitarán la implementación de más modelos en el futuro.
El informe también descubrió que, si bien muchas organizaciones están aumentando sus presupuestos y la priorización, les está llevando más tiempo de lo deseado el ponerlos en funcionamiento. Los científicos de datos siguen dedicando demasiado tiempo a tareas operativas. Esto es un problema que aumenta la cantidad de modelos en producción. Nos muestra que aunque se aumenten los gastos y contrataciones, en realidad se están añadiendo recursos para escalar manualmente las iniciativas IA y ML en lugar de invertir en eficiencia operativa. La ley de los elementos decrecientes en su máximo esplendor.
Hay una mejor forma: las organizaciones ya no necesitan adoptar enfoques de «bricolaje» para el trabajo de MLOps. Existen soluciones que pueden simplificar muchos de los problemas complejos involucrados en la ampliación de las iniciativas IA y ML en producción. En el informe se descubría que las empresas que usan soluciones MLOps de terceros, obtienen mejores resultados en comparación con las empresas que lo hacen por sí mismas. Gastan menos tiempo en infraestructura, implementan modelos en producción más rápido y dedican menos tiempo a sus científicos de datos en cuanto a la implementación de modelos.