V roce 2018 většina organizací, jež se zapojily do průzkumu State of Enterprise Machine Learning společnosti Algorithmia, začala na implementaci strojového učení teprve pracovat.
Obvykle identifikovaly vhodné oblasti nasazení, připravovaly relevantní datové modely a sestavovaly realizační týmy. O dvanáct měsíců později se situace viditelně změnila. Projekty se přesunuly do více či méně pokročilých fází realizace. Některé organizace již aktivně vyvíjejí životní cykly strojového učení, jiné minimálně opouštějí experimentální a pilotní etapu příprav.
K běžným realizačním problémům patří podle výsledků průzkumu zejména škálování řešení, kontrola verzování, nízká reprodukovatelnost modelů a nedostatečná angažovanost zainteresovaných stran. I díky těmto výzvám se nezřídka organizacím nedaří extrahovat ze svých investic očekávanou hodnotu. Zde se tudíž otevírá prostor pro služby třetích stran, jež s implementací pomohou. V této souvislosti specialisté firmy Algorithmia očekávají, že v příštích letech dojde k výraznému nárůstu počtu i aktivity jejich poskytovatelů.
Aplikace strojového učení, jež má v praxi podobu nasazení a udržování životního cyklu příslušných modelů, je ve většině organizací zatím v plenkách. Postupně ovšem dospívá, přičemž mezi lídry na tomto poli patří zejména softwarové a IT firmy.
Většina implementovaných projektů řeší spíše konvenční či standardní úlohy. Nejčastěji přispívají k vyšší míře automatizace, ke zrychlení a zpřesnění některých procesních kroků organizace. Specialisté společnosti Algorithmia předpokládají, že se blíží doba, kdy strojové učení začnou podniky využívat ke komplexnějším úlohám.
Datová věda
Většina organizací aktuálně zaměstnává nebo využívá méně než deset osob na pozicích datových vědců. Jejich zastoupení ovšem rychle roste ve všech hospodářských odvětvích. Dosvědčují to také data z předchozího ročníku průzkumu. Zatímco předloni zaměstnávalo 101 až 1000 datových vědců pět procent organizací, vloni již šlo o 11 procent. Ke zdvojnásobení počtu došlo i v dalších sledovaných intervalech. V případě nejnižšího, tj. jednoho až deseti datových vědců, se zastoupení naopak o osm procentních bodů snížilo. K největším zaměstnavatelům patří v tomto ohledu velké internetové firmy typu Google, Amazon nebo Facebook.
Pro zajímavost dodejme, že podle informací serveru KDnuggets mezi lety 2012 a 2017 vzrostlo na profesní síti LinkedIn zastoupení datových vědců, nebo alespoň osob, jež toto označení ve svých profilech používají, o 650 procent. Obor také rozšiřuje paletu rolí, s nimiž operuje. Jde například o funkce machine learning engineer, ML developer, ML architect, AI Ops nebo ML Ops. Oboroví analytici předvídají nedostatek lidských zdrojů pro aktivity spadající do oboru datových věd. Podle průzkumu Gartner CIO Survey se proto tvorby a správy modelů strojového učení nezřídka ujmou vývojáři softwaru.
Oblasti nasazení a stav implementace
Spektrum situací a oblastí, v nichž podniky využívají strojové učení, postupně narůstá. Stále ale převažují aplikace zaměřené na práci s daty zákazníků, nejčastěji na budování jejich pozitivní zkušenosti. Organizace se s pomocí strojového učení snaží řešit poměrně praktické problémy a výzvy byznysu. Jde zejména o redukci nákladů (38 %), získávání informací o zákaznících (37 %), zvyšování zákaznické zkušenosti (34 %), automatizaci interních problémů (30 %), zvyšování retence zákazníků (29 %) nebo o detekci podvodů (27 %).
Priority nasazení strojového učení se mezi různě velkými podniky liší relativně málo. V první pětici nejčastějších mění zejména pořadí. Menší organizace se o něco viditelněji soustředí na problematiku poznání, získání a udržení klientely.
Přibližně pětina podniků vyhodnocuje oblasti nasazení. Na 17 procent vloni začalo s vývojem modelů, stejné množství je již převedlo do produkčního nasazení. Více než pětina organizací provozuje strojové učení už více než jeden a méně než dva roky. Více než dvouletou zkušenost s praktickým nasazením má 23 procent dotazovaných podniků. Z uvedených hodnot vyplývá, že na podzim 2019 nadpoloviční většina respondentů neuvedla nebo ještě nepřevedla model strojového učení do produkce.
Doba zavedení modelu strojového učení do praxe se u většiny podniků pohybuje mezi 31 až 90 dny. Jen 14 procent oslovených organizací to ovšem zvládá do sedmi dnů. Rychlejší jsou obvykle menší podniky s nejvýše 500 zaměstnanci a ty, které mají víceletou zkušenost. Tempo zavádění, úprav a inovací představuje pro některé obory a oblasti nasazení kritický parametr. Řada modelů a dat se totiž rychle mění, na což musejí příslušné týmy rychle reagovat, jinak jejich výstupy ztratí hodnotu. Čelí tudíž jevu, jenž je znám pod označením OBE – Overcome By Events.
Inovační huby
K hlavním výzvám, jimž podniky při nasazování strojového učení do své praxe čelí, patří problematické škálování (43 %), náročná kontrola verzí a nízká reprodukovatelnost modelů (41 %) a nezájem či nízké zapojení zainteresovaných stran (34 %). Z meziročního srovnání výsledků průzkumu je zřejmé, že si organizace s rostoucí zkušeností uvědomují více problémů a ve větší intenzitě. Například tradiční vývojový cyklus softwaru nevyhovuje potřebě rychlých iterací modelů strojového učení.
Autoři průzkumu očekávají, že mnoho technických a organizačních problémů pomůže vyřešit rodící se trend inovačních hubů. Jde o centralizovaná pracoviště pro oblast strojového učení a umělé inteligence, jež působí napříč organizací. Disponuje jimi řada významných firem nejen ze světa informačních technologií.
Rozpočty a úspěšnost
Rozpočty na projekty strojového učení podle očekávání rostou. Vloni se u většiny organizací zvýšily, nejčastěji v rozsahu 1 až 25 procent (43 %). Pokles indikovala pouze u dvou procent respondentů, přibližně čtvrtina meziročně stagnovala. Nejvíce rostou prostředky na iniciativy a projekty strojového učení ve finančních institucích, průmyslových podnicích a v technologických firmách.
Úspěšnost projektů strojového učení vyhodnocují organizace s pomocí statistických i obchodně-provozních metrik. Obvykle zohledňují také činnost či úroveň činnosti, již příslušné řešení vykonává. Téměř tři pětiny organizací pokládají iniciativu strojového učení za úspěšnou, pokud dosáhnou očekávané či akceptovatelné návratnosti investic, sníží úbytek zákazníků, pomohou s etablováním nového produktu nebo zvýší věrnost značce. Stejný podíl dotazovaných podniků vyhodnocuje také technické parametry. Patří mezi ně přesnost, správnost a rychlost nasazeného modelu.
Blízká budoucnost
Tvůrci průzkumu na základě jeho výsledků sestavili několik hypotéz o blízkém budoucím směřování strojového učení v organizacích. Předpokládají, že se zastoupení datových vědců zvýší ve středně velkých podnicích, které jejich schopnosti využijí pro budování a udržení konkurenceschopnosti. Ve velkých korporacích má podle autorů panovat v nejbližší budoucnosti spíše nespokojenost, protože tato kategorie organizací prioritizuje úsporu nákladů. Vzroste rovněž počet inovačních center, jež budou koordinovat a řídit aplikaci strojového učení v podnicích. Ke změnám dojde také na organizační úrovni. Na celopodnikových iniciativách strojového učení se začnou podílet dedikovaní vyšší manažeři.