48 % des développeurs estiment que les projets d'apprentissage automatique prennent trop de temps
48 % des développeurs estiment que les projets d'apprentissage automatique prennent trop de temps, 34 % y consacrent jusqu'à 10 heures par mois et 24 % jusqu'à 20 heures, selon une étude de Civo.
Une nouvelle étude de Civo révèle que sur plus de 500 développeurs interrogés, 48 % pensent que les projets d'apprentissage automatique (ML) prennent trop de temps.
Avant que les développeurs puissent générer des informations sur l'apprentissage automatique, ils doivent configurer différents aspects d'une infrastructure complexe, tels que la gestion des ressources machine, la surveillance et l'extraction de caractéristiques, mais beaucoup pensent que cela prend trop de temps.
Parmi les personnes interrogées, 34 % consacrent personnellement entre 0 et 10 heures par mois à la configuration ou à la mise en place de l'apprentissage automatique, et 24 % y consacrent entre 11 et 20 heures. Mais avec les outils open source, les développeurs peuvent être beaucoup plus flexibles, déployer rapidement l'apprentissage automatique et obtenir des informations. 73,2 % d'entre eux affirment que l'open source réduit le temps nécessaire pour passer de la mise en œuvre à l'analyse, et 12 % économisent plus de 30 heures.
Josh Mesout, directeur de l'innovation chez Civo, explique :
Citation:
Alors que l'apprentissage automatique devient un outil de résolution de problèmes de plus en plus courant, nous avons remarqué que de nombreux développeurs chargés de déployer l'apprentissage automatique ne sont pas des experts en apprentissage automatique. Il s'agit plutôt d'experts du domaine qui ont besoin de l'éclairage et du soutien de projets et d'outils d'apprentissage automatique. Cependant, l'étude montre que beaucoup d'entre eux ont du mal à utiliser cette technologie à son plein potentiel, s'enlisant dans l'infrastructure environnante au lieu de récolter les fruits de la ML.
Il faut en faire plus pour mettre en évidence les avantages des outils open source, qui peuvent réduire considérablement les pertes de temps. Il existe toute une série de services émergents qui peuvent contribuer à compenser les points faibles de la ML. Grâce à l'accès aux logiciels libres, les développeurs peuvent puiser dans les ressources prêtes à l'emploi créées par les experts en ML et consacrer leur temps à générer les informations dont ils ont besoin plutôt qu'à configurer l'infrastructure nécessaire pour y parvenir.
L'étude révèle également que les contraintes de temps associées au déploiement de la ML peuvent être un facteur important d'échec des projets. 53 % des développeurs de ML abandonnent entre 1 et 25 % des projets, 24 % supplémentaires entre 26 et 50 % des projets et 1 % entre 51 et 75 %. Seuls 11 % des développeurs déclarent n'avoir jamais abandonné un projet de ML.
Source : Civo
Et vous ?
:fleche: Pensez-vous que cette étude est crédible ou pertinente ?
:fleche: Quel est votre avis sur le sujet ?
Voir aussi :
:fleche: Machine learning, Intelligence Artificielle et la boule de cristal, par Sascha Giese, Head Geek chez SolarWinds
:fleche: Microsoft propose en bêta publique Lobe, une application visant à rendre l'apprentissage automatique plus facile, en aidant les utilisateurs à former des modèles sans écrire de code
:fleche: La "distillation pas-à-pas", un nouveau paradigme d'apprentissage pour surpasser les performances des grands LLM avec moins de données d'entraînement et des modèles d'IA de plus petite taille
