Thoughtworks, o companie globală de consultanță tehnologică care integrează strategia, designul și ingineria pentru a stimula inovația digitală, a lansat volumul 27 al Technology Radar, un raport bianual bazat pe observațiile, discuțiile și experiențele din prima linie ale experților companiei angrenați în rezolvarea celor mai dificile provocări de afaceri ale clienților la nivel global.
În timp ce Machine Learning (ML) necesita odată calupuri mari de date și acces la o putere imensă de calcul pentru a aborda probleme complexe de afaceri, raportul observă că dezvoltarea și diversificarea instrumentelor, aplicațiilor și infrastructurii specifice permit acum organizațiilor IT să folosească ML la scară mult mai largă.
Pe măsură ce puterea de calcul crește pe dispozitive de toate dimensiunile și tipurile, iar instrumentele open-source devin mai răspândite și mai ușor de utilizat, ML devine accesibil chiar și celor mai mici organizații.
Cu cerințe mai stricte și conștientizare în ceea ce privește confidențialitatea și informațiile personalizate, organizațiile descoperă că anumite tehnici, cum ar fi învățarea automată federalizată, oferă o confidențialitate mai mare pentru informațiile sensibile din IoT și scenarii de utilizare mobilă. Întrucât ML depinde în mare măsură de calitatea datelor folosite în trainingul ML, precauțiile standard vizează cu predilecție vulnerabilități și asumpții inerente în calupurile de date.
Cu toate acestea, o creștere a numărului de instrumente open-source ajută la creșterea transparenței modului în care algoritmii interpretează și acționează asupra datelor.
„Cândva accesibile doar celor mai avansați utilizatori și organizațiilor IT cu resurse ridicate, modelele și componentele ML devin acum mai disponibile și mai ușor de utilizat pe scară largă, făcând experiențele și soluțiile ML accesibile și mai multor organizații”, a spus dr. Rebecca Parsons, Chief Technology Officer la Thoughtworks.
„Organizațiile sunt sfătuite să fie deschise și către cazuri de utilizare mai pragmatice în care ML poate fi aplicat operațiunilor, produselor și serviciilor pentru o mai mare eficiență, nu doar aplicațiilor care duc la schimbări radicale de paradigmă”, a mai adăugat dr. Parsons.
Câteva dintre temele principale din Technology Radar Vol. 27:
● Popularizarea ML: În puțin mai mult de un deceniu, machine learning a trecut de la o tehnică foarte specializată la ceva ce poate face aproape oricine deține date și putere de calcul. Acest lucru este de lăudat - totuși, rămâne esențial ca industria să poată controla atât proliferarea instrumentelor și contextelor, cât și în aspectele etice care devin din ce în ce mai vizibile și urgente.
● Puterea platformelor ca produs: o platformă poate fi ceva foarte puternic, mai ales când vine vorba de autonomia dezvoltatorilor. Cu toate acestea, vedem adesea rezultate dezamăgitoare atunci când nu sunt tratate corespunzător ca produse - este important ca platformele să fie construite și întreținute într-un mod care să răspundă și să medieze atât nevoile echipelor tehnice, cât și ale organizației în ansamblu.
● Descentralizarea dreptului de proprietate asupra datelor: când vine vorba de date, centralizarea poate fi neproductivă. Noile tehnici și instrumente, totuși, înlesnesc depășirea provocărilor centralizării, oferind avantaje atât din punct de vedere tehnic, cât și din punct de vedere al confidențialității.
● Zona de Mobile ar trebui să fie, de asemenea, modulară: beneficiile modularității sunt binecunoscute, dar, din mai multe motive, acestea nu au fost utilizate atât de mult în dezvoltarea aplicațiilor mobile. Acest lucru începe acum să se schimbe; credem că adoptarea unei abordări modulare în dezvoltarea aplicațiilor mobile va îmbunătăți nu numai calitatea, ci și experiența de construire a acestora.
Comentariul va fi postat dupa aprobare