После создания некоторых моделей машинного обучения становится ясно, что в будущем нашей аналитики мы будем выглядеть иначе, чем предсказывает наше воображение ИИ.

Когда вы начинаете путь ML, непросто представить себе некоторые препятствия на пути развертывания ML. Вот некоторые мысли о том, что будет в будущем:

  • Каждая модель может и будет иметь несколько десятков (пожалуйста, не сотен) версий и альтернатив, каждая со своим сценарием, переменной и прогностической силой.
  • Беспрепятственный доступ к моделям создаст проблемы с безопасностью и управлением, которые могут стать проблемой для крупных предприятий.
  • ML будет базироваться на стандартных языках, повторное использование станет основой построения сложных моделей.
  • Несколько стандартных отраслевых моделей станут преобладающими в ближайшие годы.
  • Как только мы достигнем нашей целевой модели, предвзятость подтверждения будет сложнее всего преодолеть, поскольку нам нужно изменить наши предпосылки. Требует огромной дисциплины в процессе.
  • Валидация и проверка моделей станут премиальной услугой.
  • Новые технологии по самооценке и калибровке моделей станут отраслевым стандартом.
  • Рынок управления информацией взорвется как предварительное требование для построения модели. Специально для крупных компаний.
  • Стандартные фреймворки, такие как Apache Kafka, станут преобладающими для ETL и потоковой передачи.
  • Платформы автоматизированной и запланированной переоценки моделей станут преобладающими, поскольку автоматизация улучшит калибровку и улучшит прогнозирование.
  • Apache Spark станет моделью хостинга Analytics Application Server для аналитических и потоковых сценариев использования.

Вот некоторые идеи, надеюсь, вы сможете поделиться своими мыслями и опытом.