- Publicado el
El estado del Machine Learning en 2020
date
Jun 23, 2020
tags
Machine Learning
summary
El artículo reporta los resultados de una encuesta de Algorithmia sobre la implementación de machine learning en 745 empresas. Destaca la creación de roles especializados en data science, el crecimiento de equipos, y los desafíos en desplegar modelos, especialmente en empresas grandes. Revela que el 55% de los equipos no lograron implementar un modelo en producción y que el 71% aumentaron su presupuesto en AI/ML entre 2018 y 2019, con un aumento notable en la industria manufacturera.
slug
ml-2020
status
Published
type
Post
author
— Por María Gaska —
Todos los años la consultora Algorithmia envía encuestas a varios cientos de jugadores del espacio de ML. En 2020 recolectaron 745 respuestas de empresas de todos los tamaños sobre sus prácticas actuales y desafíos a la hora de implementar modelos. Este es el informe completo y a continuación algunas tendencias interesantes:
- Nuevos roles en Data Science: Machine Learning Engineer, ML Developer, ML Architect, Data Engineer, Machine Learning Operations (ML Ops) y AI Ops. Esto se relaciona con la mayor especialización de los equipos y con los que llegan a DS desde otras disciplinas y traen conocimientos nuevos. También es una forma de mantener el hype y diferenciarse.
- La demanda de científicos de datos sigue creciendo y empieza a cubrirse con dos fuentes, desarrolladores de BI y desarrolladores Full Stack que van expandiendo sus habilidades hacia técnicas de ML.
3. Evolución hacia equipos más grandes: no crecieron la cantidad de equipos de menos de 10 personas pero se duplicaron los equipos medianos y crecieron un 50% los más grandes, de más de mil personas.
4. En cuanto a la madurez de los equipos, el 55% no llegó a poner un modelo en producción, un 5% que el último año.Las empresas con mayor porcentaje en la categoría de “sofisticadas” son las de más de 10000 empleados o de menos de 500. Es decir las muy chicas o muy grandes. Eso significa que a las empresas medianas les llevó un tiempo adicional adoptar workloads de ML. Las más chicas ganan por agilidad mientras que las grandes lo hacen por escala.
5. El deploy de modelos es uno de los grandes desafíos, con un gran porcentaje de las empresas que demoran entre 3 meses y un año para cada puesta en producción. Este problema es más grave para las empresas más grandes. Y el 25% del tiempo de los desarrolladores se invierte en el deploy, es decir, en tareas relacionadas con la infraestructura. Y relacionado con esto, el mayor desafío que citaron las compañías (43%) fue lograr escalar los modelos. Seguido del versionado y la reproducibilidad de los experimentos (41%).
AI/ML budgets FY18 to FY19
6. El 71% de las empreasa aumentaron su presupuesto en AI/ML entre 2018 y 2019 y sólo un 2% lo ajustó. Además del área de tecnologías de la información, una de las industrias que más creció en presupuesto es la de manufacturas.