В документе содержатся результаты исследования 500 американских практиков машинного обучения, направленного на лучшее понимание их задач, инструментов и процессов.
Основные результаты исследования:
- В среднем опрошенные специалисты по машинному обучению заявили, что 41% их экспериментов по машинному обучению пришлось отменить из-за неправильного управления в 2021 году. Четыре основные причины этого были связаны с ошибками интеграции API (26%), нехваткой ресурсов (25%), неточными или искажающими данные (25%) и неправильным управлением вручную (25%).
- В среднем 15% проектов машинного обучения потерпели неудачу после перехода от эксперимента к реальному внедрению в 2021 году.
- 28% опрошенных специалистов по машинному обучению полагали, что бюджет их компании на машинное обучение сократится в течение следующих 12 месяцев. Эти сокращения бюджета более отчетливо видны в том, что 40% респондентов говорят, что текущий годовой бюджет их компании на машинное обучение составляет всего 25-50 тысяч долларов. Однако 28% заявили, что бюджет их компании на машинное обучение находится в более высоком диапазоне от 50 до 75 тысяч долларов.
- В среднем, опрошенные специалисты по машинному обучению говорят, что их команде требуется семь месяцев, чтобы развернуть один проект машинного обучения. Это значительно больше, чем результаты 2021 года, которые показали, что командам машинного обучения потребовалось в среднем пять месяцев для развертывания.
