L’adoption continue ˗ mais lente ˗ de l’intelligence artificielle (IA) et du machine learning (ML) a pour conséquence un accroissement de la charge de travail dans la conception et la construction de modèles et de systèmes sous-jacents. Ces types de projets seront de plus en plus souvent réalisés par les services informatique, alors que le développement des data scientists est en cours.
C’est la conclusion d’un sondage publié par Algorithmia et mené auprès de 750 managers et professionnels de la technologie. L’enquête examine les tendances en matière de croissance et de dotation dans les initiatives de machine learning. Les auteurs de l’enquête concluent que les entreprises n’augmentent pas forcément leurs équipes de data scientists, mais par contre ces derniers sont de plus en plus occupés.
publicité
De nouvelles possibilités s’offrent donc pour ceux qui possèdent des compétences dans le domaine. Au moins 19 % des interrogés déclarent avoir plus de 50 data scientists au sein de leur personnel, soit une hausse de 9 % par rapport à l’année précédente. Selon le rapport, ces rôles se développent rapidement dans toutes les industries. Les data scientists étant extrêmement rares, une certaine pression est exercée sur le personnel déjà en place pour assumer ce rôle. « Ce manque généralisé de ressources en ce qui concerne la “science des données” va conduire un nombre croissant de développeurs à participer à la création et à la gestion des modèles de machine learning. Partant de là, le mélange des rôles mènera probablement à un autre phénomène : différents métiers et intitulés de poste pour le même type de travail. »
Parmi les nouveaux types d’emplois créés dans les domaines de l’IA et du machine learning, on peut noter les suivants :
ingénieur ML ;
développeur ML ;
ML architect ;
data engineer, machine learning operations (ML Ops) ;
ops intelligence artificielle.
L’étude montre également que le succès des initiatives de machine learning dépend d’où on se place. Une majorité (58 %) a déclaré ses efforts couronnés de succès à condition de produire un ROI, de réduire le customer churn, de favoriser l’adoption des produits ou bien de mettre en avant la marque pour favoriser la fidélisation. 58 % également ont déclaré que les efforts en terme de machine learning portent leurs fruits lorsque la pertinence, la précision, la vitesse et la dérive du modèle atteignent le seuil.
La mesure du succès varie selon le rôle dans l’entreprise, selon les auteurs de l’enquête. « Les contributeurs spécialistes – data scientist, développeur de logiciels ˗ accorderont plus de valeur aux mesures techniques de la réussite du machine learning qu’aux mesures commerciales. » A contrario, les cadres supérieurs et vice-présidents « accordent généralement plus de valeur à l’inverse ˗ ils mesurent le succès du machine learning par la façon dont il profite finalement à l’entreprise sur le plan stratégique. »
Pour les directeurs des technologies de l’information, il y a un peu des deux en jeu, du technique mais aussi du commercial. Les managers et les directeurs de niveau intermédiaire apprécient tout autant l’impact sur les affaires (ROI, paramètres budgétaires et de planification stratégique) que les paramètres plus techniques entourant la performance du modèle. Les auteurs d’Algorithmia prédisent que les managers et les directeurs « seront au cœur des décisions sur le machine learning dans les années à venir, car ils cherchent d’une part à mettre en avant les capacités de leurs équipes, mais aussi à prouver aux hautes directions que le machine learning est un investissement rentable ».
Source : ZDNet.com
Comments