Thoughtworks, o companie globala de consultanta tehnologica care integreaza strategia, designul si ingineria pentru a stimula inovatia digitala, a lansat volumul 27 al Technology Radar, un raport bianual bazat pe observatiile, discutiile si experientele din prima linie ale expertilor companiei angrenati in rezolvarea celor mai dificile provocari de afaceri ale clientilor la nivel global.

In timp ce Machine Learning (ML) necesita odata calupuri mari de date si acces la o putere imensa de calcul pentru a aborda probleme complexe de afaceri, raportul observa ca dezvoltarea si diversificarea instrumentelor, aplicatiilor si infrastructurii specifice permit acum organizatiilor IT sa foloseasca ML la scara mult mai larga.

Pe masura ce puterea de calcul creste pe dispozitive de toate dimensiunile si tipurile, iar instrumentele open-source devin mai raspandite si mai usor de utilizat, ML devine accesibil chiar si celor mai mici organizatii. Cu cerinte mai stricte si constientizare in ceea ce priveste confidentialitatea si informatiile personalizate, organizatiile descopera ca anumite tehnici, cum ar fi invatarea automata federalizata, ofera o confidentialitate mai mare pentru informatiile sensibile din IoT si scenarii de utilizare mobila. Intrucat ML depinde in mare masura de calitatea datelor folosite in trainingul ML, precautiile standard vizeaza cu predilectie vulnerabilitati si asumptii inerente in calupurile de date. Cu toate acestea, o crestere a numarului de instrumente open-source ajuta la cresterea transparentei modului in care algoritmii interpreteaza si actioneaza asupra datelor.

„Candva accesibile doar celor mai avansati utilizatori si organizatiilor IT cu resurse ridicate, modelele si componentele ML devin acum mai disponibile si mai usor de utilizat pe scara larga, facand experientele si solutiile ML accesibile si mai multor organizatii”, a spus dr. Rebecca Parsons, Chief Technology Officer la Thoughtworks.

„Organizatiile sunt sfatuite sa fie deschise si catre cazuri de utilizare mai pragmatice in care ML poate fi aplicat operatiunilor, produselor si serviciilor pentru o mai mare eficienta, nu doar aplicatiilor care duc la schimbari redicale de paradigma”, a mai adaugat dr. Parsons.

 

- Popularizarea ML: In putin mai mult de un deceniu, machine learning a trecut de la o tehnica foarte specializata la ceva ce poate face aproape oricine detine date si putere de calcul. Acest lucru este de laudat - totusi, ramane esential ca industria sa poata controla atat proliferarea instrumentelor si contextelor, cat si in aspectele etice care devin din ce in ce mai vizibile si urgente.

- Puterea platformelor ca produs: o platforma poate fi ceva foarte puternic, mai ales cand vine vorba de autonomia dezvoltatorilor. Cu toate acestea, vedem adesea rezultate dezamagitoare atunci cand nu sunt tratate corespunzator ca produse - este important ca platformele sa fie construite si intretinute intr-un mod care sa raspunda si sa medieze atat nevoile echipelor tehnice, cat si ale organizatiei in ansamblu.

- Descentralizarea dreptului de proprietate asupra datelor: cand vine vorba de date, centralizarea poate fi neproductiva. Noile tehnici si instrumente, totusi, inlesnesc depasirea provocarilor centralizarii, oferind avantaje atat din punct de vedere tehnic, cat si din punct de vedere al confidentialitatii.

- Zona de Mobile ar trebui sa fie, de asemenea, modulara: beneficiile modularitatii sunt binecunoscute, dar, din mai multe motive, acestea nu au fost utilizate atat de mult in dezvoltarea aplicatiilor mobile. Acest lucru incepe acum sa se schimbe; credem ca adoptarea unei abordari modulare in dezvoltarea aplicatiilor mobile va imbunatati nu numai calitatea, ci si experienta de construire a acestora.