Direttore delle intuizioni di Apprendimento Automatico

'Direttore ML Insights'

Pochi posti al tavolo di Machine Learning coprono sia le competenze tecniche, la risoluzione dei problemi che l’acume aziendale come i Direttori di Machine Learning

I Direttori di Machine Learning e/o Data Science sono spesso chiamati a progettare sistemi di ML, avere una profonda conoscenza della matematica, familiarità con i framework di ML, una solida comprensione dell’architettura dei dati, esperienza nell’applicazione di ML ad applicazioni reali, solide competenze comunicative e spesso chiamati a tenersi aggiornati sulle evoluzioni del settore. Un compito arduo!

Per questi motivi, ci siamo rivolti a questo gruppo unico di Direttori di ML per una serie di articoli che mettono in evidenza i loro pensieri sulle attuali intuizioni di ML e le tendenze del settore, che vanno dalla sanità alla finanza, al commercio elettronico, al SaaS, alla ricerca, ai media e altro ancora. Ad esempio, un Direttore noterà come il ML possa essere utilizzato per ridurre la guida dei camion vuoti (che avviene circa il 20% del tempo) al solo 19%, riducendo le emissioni di carbonio di circa 100.000 americani. Nota: Questi sono calcoli approssimativi, eseguiti da un ex scienziato di razzi, quindi prendiamoli con le pinze.

In questa prima puntata, ascolterete un ricercatore (che utilizza il radar a penetrazione terrestre per rilevare mine terrestri sepolte), un ex scienziato di razzi, un giocatore dilettante di Dzongkha (Kuzu = Ciao!), un ex scienziato che viveva in un furgone, un allenatore di un team di Data Science ad alte prestazioni che è ancora molto pratico, un praticante di dati che valuta le relazioni, la famiglia, i cani e la pizza. – Tutti attualmente Direttori di Machine Learning con ricche esperienze sul campo.

🚀 Incontriamo alcuni dei migliori Direttori di Machine Learning e ascoltiamo cosa hanno da dire sull’impatto del Machine Learning sulle rispettive industrie:

Archi Mitra – Direttore di Machine Learning presso Buzzfeed

Sfondo: Ristabilire l’equilibrio tra la promessa di ML per le aziende. Persone prima dei processi. Strategia prima della speranza. Etica dell’IA prima dei profitti dell’IA. Brown New Yorker.

Curiosità: Parlo Dzongkha (google it!) e sono un sostenitore di Youth for Seva.

Buzzfeed: Un’azienda americana di media, notizie e intrattenimento con un focus sui media digitali.

1. Come ML ha avuto un impatto positivo sui media?

Personalizzazione basata sulla privacy per i clienti: ogni utente è unico e mentre i loro interessi a lungo termine sono stabili, i loro interessi a breve termine sono stocastici. Si aspettano che la loro relazione con i media rifletta questo. La combinazione di avanzamenti nell’accelerazione hardware e nell’apprendimento profondo per le raccomandazioni ha sbloccato la capacità di iniziare a decifrare questa sfumatura e di offrire agli utenti il contenuto giusto al momento giusto nel punto di contatto giusto.

Strumenti di assistenza per i creatori: i creatori sono gli asset limitati nei media e preservare la loro capacità creativa attraverso strumenti di assistenza guidati da ML con il coinvolgimento umano ha avuto un impatto significativo. Qualcosa di semplice come suggerire automaticamente un titolo appropriato, un’immagine, un video e/o un prodotto che possa accompagnare il contenuto che stanno creando sblocca un ciclo virtuoso tra macchina e umano.

Test più accurati: in un’impresa mediatica che richiede un investimento di capitale, c’è la necessità di ridurre il tempo tra la raccolta di informazioni su ciò che risuona con gli utenti e l’azione immediata su di esse. Con una vasta gamma di tecniche bayesiane e avanzamenti nell’apprendimento per rinforzo, siamo stati in grado di ridurre drasticamente non solo il tempo ma anche i costi ad esso associati.

2. Quali sono le principali sfide di ML nei media?

Privacy, voce editoriale e copertura equa: i media sono un pilastro fondamentale del mondo democratico, oggi più che mai. ML deve rispettare questo e operare entro vincoli che non sono considerati esclusivamente essenziali in altri settori o industrie. Trovare un equilibrio tra contenuti e programmazione curati editorialmente e raccomandazioni basate su ML continua ad essere una sfida. Un’altra sfida unica per BuzzFeed è che crediamo che Internet debba essere gratuita, il che significa che non tracciamo i nostri utenti come fanno gli altri.

3. Qual è un errore comune che si vede nelle persone che cercano di integrare ML nei media?

Ignorare “i creatori” dei media: i media sono diffusi perché ospitano una voce che ha una profonda influenza sulle persone. Gli editori, i creatori di contenuti, gli scrittori e i creatori sono la laringe di quella voce e il business e la costruzione di ML che li abilita, estende il loro impatto e lavora in armonia con loro è l’ingrediente chiave per il successo.

4. Cosa ti entusiasma di più del futuro dell’IA?

Spero che ci siano sistemi di intelligenza artificiale multi-modalità multi-task in tempo reale che sfruttano i dati per creare miglioramenti significativi nella scoperta di farmaci, nell’intervento chirurgico ad alta precisione, nei sistemi di controllo del clima e nelle esperienze immersive del metaverso. Realisticamente, mi aspetto anche l’evoluzione di tecniche di meta-apprendimento più accessibili e a basso sforzo per la generazione di testo e immagini altamente accurate.

Li Tan – Direttore di Apprendimento Automatico e Intelligenza Artificiale presso Johnson & Johnson

Background: Li è un veterano dell’IA/ML con oltre 15 anni di esperienza nel guidare team di Data Science di alto profilo presso aziende leader come Johnson & Johnson, Microsoft e Amazon.

Curiosità: Li continua ad essere curioso, è sempre in fase di apprendimento e ama la programmazione pratica.

Johnson & Johnson: Una multinazionale che sviluppa dispositivi medici, prodotti farmaceutici e beni di consumo.

1. In che modo l’IA ha avuto un impatto positivo sui prodotti farmaceutici?

Le applicazioni di IA/ML nel settore farmaceutico sono esplose negli ultimi anni e stanno avendo molti impatti positivi a lungo termine. I prodotti farmaceutici e l’assistenza sanitaria hanno molti casi d’uso che possono sfruttare l’IA/ML.

Le applicazioni vanno dalla ricerca e dalle evidenze del mondo reale, alla produzione intelligente e al controllo della qualità. Le tecnologie utilizzate sono anche molto ampie: NLP/NLU, CV, AIIoT, apprendimento per rinforzo, ecc., anche cose come AlphaFold.

2. Quali sono le sfide più grandi dell’IA nel settore farmaceutico?

La sfida più grande dell’IA nel settore farmaceutico e sanitario è garantire l’uguaglianza e la diversità nelle applicazioni di intelligenza artificiale. Ad esempio, come assicurarsi che il set di addestramento abbia una buona rappresentazione di tutti i gruppi etnici. A causa della natura dell’assistenza sanitaria e dei prodotti farmaceutici, questo problema può avere un impatto molto maggiore rispetto alle applicazioni in altri campi.

3. Qual è un errore comune che vedi le persone commettere nel cercare di integrare l’IA nei prodotti farmaceutici?

Non direi che è necessariamente un errore, ma vedo molte persone gravitare verso prospettive estreme quando si tratta di applicazioni di intelligenza artificiale nell’assistenza sanitaria; o sono troppo conservatori o troppo aggressivi.

Alcune persone sono restie a causa dei requisiti regolatori elevati. Abbiamo dovuto qualificare molte delle nostre applicazioni di IA con una rigorosa validazione GxP. Potrebbe richiedere un impegno considerevole, ma riteniamo che lo sforzo ne valga la pena. Dall’altra parte dello spettro, ci sono molte persone che pensano che i modelli di IA/Apprendimento Profondo possano superare gli esseri umani in molte applicazioni e funzionare completamente in modo autonomo.

Come professionisti, sappiamo che attualmente nessuna delle due affermazioni è vera.

I modelli di IA possono essere incredibilmente preziosi ma possono ancora commettere errori. Quindi raccomando un approccio più progressivo. La chiave è avere un framework che possa sfruttare il potere dell’IA pur avendo dei guardiani. La FDA ha preso provvedimenti per regolamentare l’uso dell’IA/ML nel software come dispositivo medico e ritengo che sia un passo positivo per il nostro settore.

4. Cosa ti entusiasma di più del futuro dell’IA?

Le intersezioni tra IA/ML e altre scienze e tecnologie avanzate. Sono entusiasta di vedere cosa ci riserverà il futuro.

Alina Zare – Direttore del Laboratorio di Apprendimento Automatico e Sensoristica all’Università di Florida

Background: Alina Zare insegna e svolge ricerche nell’area dell’apprendimento automatico e dell’intelligenza artificiale come Professore nel Dipartimento di Ingegneria Elettrica e Informatica all’Università di Florida e Direttore del Laboratorio di Apprendimento Automatico e Sensoristica. La ricerca della dott.ssa Zare si è concentrata principalmente nello sviluppo di nuovi algoritmi di apprendimento automatico per comprendere e elaborare automaticamente i dati e le immagini.

Il suo lavoro di ricerca ha incluso la fenotipizzazione automatica delle radici delle piante, l’analisi delle immagini iperspettrali sub-pixel, la rilevazione dei bersagli e la comprensione delle scene sottomarine utilizzando sonar ad apertura sintetica, l’analisi dei dati LIDAR, l’analisi del radar penetrante nel terreno e il rilevamento di mine terrestri e esplosivi sepolti.

Curiosità: Alina è una canottiera. Ha fatto parte della squadra di canottaggio al liceo, ha continuato a remare durante l’università e il corso di laurea magistrale, è stata allenatrice capo della squadra dell’Università del Missouri mentre era professore assistente, e poi ha continuato a remare come canottiera master quando si è unita al corpo docente presso l’Università della Florida.

Laboratorio di Machine Learning e Sensori: Un laboratorio dell’Università della Florida che sviluppa metodi di apprendimento automatico per l’analisi e la comprensione autonoma dei dati dei sensori.

1. Come ML ha avuto un impatto positivo sulla scienza

ML ha avuto un impatto positivo in diversi modi, aiutando ad automatizzare compiti noiosi o lenti o fornendo nuovi modi per esaminare e affrontare varie questioni. Un esempio del mio lavoro in ML per la scienza delle piante è che abbiamo sviluppato approcci di ML per automatizzare la segmentazione e caratterizzazione delle radici delle piante nelle immagini. Questo compito era precedentemente un collo di bottiglia per i ricercatori delle piante che analizzavano le immagini delle radici. Automatizzando questo passaggio tramite ML, possiamo condurre queste analisi con un volume di lavoro molto maggiore e iniziare a utilizzare questi dati per indagare su questioni di ricerca nella biologia delle piante su larga scala.

2. Quali sono le sfide più grandi di ML nella ricerca scientifica?

Ci sono molte sfide. Un esempio è quando si utilizza ML per la ricerca scientifica, è necessario pensare attentamente ai protocolli di raccolta e cura dei dati. In alcuni casi, i protocolli che abbiamo utilizzato per l’analisi non-ML potrebbero non essere appropriati o efficaci. La qualità dei dati e quanto rappresentativa sia rispetto a ciò che ci aspettiamo di vedere nell’applicazione può avere un impatto enorme sulle prestazioni, l’affidabilità e la fiducia di un sistema basato su ML.

3. Qual è un errore comune che vedi fare alle persone che cercano di integrare ML nella scienza?

Riguardo alla domanda precedente, un errore comune è interpretare erroneamente risultati o prestazioni come una funzione solo del sistema ML e non considerare anche i protocolli di raccolta, cura, calibrazione e normalizzazione dei dati.

4. Cosa ti entusiasma di più riguardo al futuro di ML?

Ci sono molte direzioni davvero entusiasmanti. Gran parte della mia ricerca attuale riguarda spazi in cui abbiamo una vasta quantità di conoscenze precedenti e modelli derivati empiricamente. Ad esempio, ho in corso un lavoro utilizzando ML per la ricerca in ecologia forestale. La comunità forestale ha un ricco bagaglio di conoscenze precedenti che i sistemi ML puramente basati sui dati non stanno sfruttando. Penso che i metodi ibridi che combinano senza soluzione di continuità conoscenze precedenti con approcci ML saranno un percorso interessante ed entusiasmante per il futuro. Un esempio potrebbe essere capire quanto è probabile che due specie coesistano in un’area. Oppure quale distribuzione di specie potremmo aspettarci date determinate condizioni ambientali. Questi potrebbero essere potenzialmente utilizzati con metodi basati sui dati per fare previsioni in condizioni mutevoli.

Nathan Cahill Ph.D. – Direttore di Machine Learning presso Xpress Technologies

Sfondo: Nathan è un appassionato leader di machine learning con 7 anni di esperienza nella ricerca e sviluppo, e tre anni di esperienza nella creazione di valore aziendale attraverso la distribuzione di modelli ML in produzione. Si specializza nel trovare e dare priorità strategica ai maggiori problemi dell’azienda: sfruttare il potere dei dati fin dalle prime fasi della crescita.

Curiosità: Prima di entrare nel settore dei trasporti e della logistica, lavoravo alla progettazione dei razzi presso Northrop Grumman. #ScienzaDeiRazzi

Xpress Technologies: Una tecnologia di abbinamento del carico digitale per collegare spedizionieri, intermediari e vettori e portare efficienza e automazione all’industria dei trasporti.

1. Come ML ha avuto un impatto positivo sulla logistica/trasporti?

Il settore dei trasporti è estremamente frammentato. I principali attori nel settore hanno una quota di mercato inferiore all’1%. Di conseguenza, esistono inefficienze che possono essere risolte con soluzioni digitali.

Ad esempio, quando si vede un camion pesante guidare sulla strada, attualmente c’è una probabilità del 20% che il camion stia guidando senza nulla nel retro. Sì, il 20% dei chilometri percorsi da un autocarro con rimorchio è dallo scarico dell’ultimo carico al successivo ritiro. Le probabilità sono che ci sia un altro camion che viaggia vuoto (o “a vuoto”) nella direzione opposta.

Con l’apprendimento automatico e l’ottimizzazione, questa percentuale di viaggi a vuoto può essere significativamente ridotta, e ridurre quel numero dal 20% al 19% taglierebbe le emissioni di carbonio equivalenti a quelle di 100.000 americani.

Nota: le emissioni di carbonio di 100.000 americani sono state calcolate sommariamente da me.

2. Quali sono le sfide più grandi dell’apprendimento automatico nella logistica?

La grande sfida nella logistica deriva dal fatto che l’industria è così frammentata: non esiste una raccolta condivisa di dati che consenta alle soluzioni tecnologiche di vedere il quadro generale. Ad esempio, una grande parte dei carichi di intermediazione, forse la maggioranza, ha costi negoziati caso per caso, rendendoli altamente volatili. Questo rende il problema della determinazione dei prezzi molto difficile da risolvere. Se l’industria diventasse più trasparente e condividesse i dati più liberamente, ci sarebbero molte più possibilità.

3. Qual è un errore comune che vedi nelle persone che cercano di integrare l’apprendimento automatico nella logistica?

Credo che l’errore più comune che vedo sia che le persone fanno apprendimento automatico e scienza dei dati in modo isolato.

La maggior parte delle applicazioni di apprendimento automatico nella logistica cambierà significativamente le dinamiche del problema se vengono utilizzate, quindi è importante sviluppare modelli in modo iterativo con l’azienda e assicurarsi che le prestazioni nella realtà corrispondano a quanto ci si aspetta durante l’addestramento.

Un esempio di ciò è nella determinazione dei prezzi, dove se si sottostima leggermente un percorso, i prezzi potrebbero essere troppo competitivi, creando un afflusso di merci su quel percorso. Ciò potrebbe causare un aumento dei costi poiché gli intermediari lottano per trovare capacità per quei carichi, aggravando il problema.

4. Cosa ti entusiasma di più del futuro dell’apprendimento automatico?

Credo che ciò che mi entusiasma di più dell’apprendimento automatico sia l’opportunità di rendere le persone migliori nel loro lavoro.

Con l’apprendimento automatico che inizia ad essere ubiquo nel mondo degli affari, sarà in grado di aiutare ad accelerare le decisioni e automatizzare il lavoro ridondante. Ciò accelererà il ritmo dell’innovazione e creerà un immenso valore economico. Non vedo l’ora di vedere quali problemi risolveremo nei prossimi 10 anni grazie alla scienza dei dati e all’apprendimento automatico!

Nicolas Bertagnolli – Direttore dell’apprendimento automatico presso BEN

Background: Nic è uno scienziato e ingegnere che lavora per migliorare la comunicazione umana attraverso l’apprendimento automatico. Negli ultimi dieci anni ha applicato apprendimento automatico/elaborazione del linguaggio naturale per risolvere problemi di dati nel campo medico, scoprendo nuovi modelli nel genoma del cancro e sfruttando miliardi di note cliniche per ridurre i costi e migliorare i risultati.

Presso BEN, Nic innova tecnologie intelligenti che ampliano le capacità umane per raggiungere le persone. Vedi il suo CV, la sua ricerca e gli articoli su VoAGI qui.

Dato curioso: Nic ha vissuto in un furgone e ha viaggiato per tre anni nell’ovest degli Stati Uniti prima di iniziare a lavorare presso BEN.

BEN: Un’azienda di intelligenza artificiale nel campo dell’intrattenimento che inserisce marche all’interno di contenuti di influencer, streaming, TV e film per connettere i marchi con il pubblico in un modo che la pubblicità tradizionale non può fare.

1. In che modo l’apprendimento automatico ha avuto un impatto positivo sul marketing?

In molti modi! Sta cambiando completamente il panorama. Il marketing è un settore radicato nella tradizione e basato su sensazioni intuitive. Negli ultimi 20 anni c’è stato un passaggio verso decisioni di marketing sempre più basate su statistiche, ma molti marchi si affidano ancora all’istinto dei loro dipartimenti di marketing. L’apprendimento automatico sta rivoluzionando tutto questo. Con la capacità di analizzare i dati su quali annunci pubblicitari funzionano bene, possiamo prendere decisioni davvero informate su come e a chi fare marketing.

Presso BEN, l’apprendimento automatico ci ha davvero aiutato ad eliminare le congetture da gran parte del processo nel campo del marketing degli influencer. I dati aiutano a far luce attraverso la nebbia di pregiudizi e soggettività, in modo da poter prendere decisioni informate.

Questo è solo l’aspetto più evidente! L’apprendimento automatico sta anche rendendo possibile prendere decisioni di marketing più sicure per i marchi. Ad esempio, è illegale pubblicizzare alcolici a persone di età inferiore a 21 anni. Utilizzando l’apprendimento automatico, possiamo identificare gli influencer i cui pubblici sono principalmente sopra i 21 anni. Questo amplia la nostra capacità di aiutare i marchi di alcolici e anche i marchi che sono preoccupati che la loro immagine sia associata all’alcol.

2. Quali sono le sfide più grandi dell’apprendimento automatico nel campo del marketing?

Come per molte cose nell’apprendimento automatico, i problemi spesso non riguardano i modelli stessi. Con strumenti come Hugging Face, torch hub, ecc., sono disponibili molti modelli eccellenti e flessibili con cui lavorare.

Le vere sfide riguardano la raccolta, la pulizia e la gestione dei dati. Se vogliamo parlare degli aspetti difficili del lavoro di apprendimento automatico, parte di esso riguarda il fatto che ci sono molte interferenze in ciò che le persone vedono e apprezzano. Comprendere cose come la viralità è davvero molto difficile.

Comprendere cosa rende un creatore/influencer di successo nel tempo è davvero difficile. Ci sono molte informazioni di preferenza strane sepolte in dati piuttosto rumorosi e difficili da acquisire. Questi problemi dipendono da una comunicazione davvero solida tra i team di dati, apprendimento automatico e business, e dalla costruzione di modelli che si integrano e collaborano con gli esseri umani invece di automatizzare completamente i loro ruoli.

3. Qual è un errore comune che vedi le persone commettere nel tentativo di integrare l’apprendimento automatico nel marketing?

Non penso che questo sia un problema esclusivo del marketing, ma dare priorità all’apprendimento automatico e alla scienza dei dati rispetto a un’infrastruttura solida è un grande problema che vedo spesso. Le organizzazioni sentono parlare di apprendimento automatico e vogliono avere una fetta della torta, quindi assumono alcuni scienziati dei dati solo per scoprire che non hanno un’infrastruttura per supportare i loro nuovi modelli di alto livello. Gran parte del valore dell’apprendimento automatico risiede nell’infrastruttura che circonda i modelli e se hai modelli addestrati ma nessuna infrastruttura, sei bloccato.

Una delle cose davvero belle di BEN è che abbiamo investito molto nella nostra infrastruttura dati e abbiamo costruito il cavallo prima del carro. Ora gli scienziati dei dati possono costruire modelli che vengono serviti ai nostri utenti finali rapidamente invece di dover capire ogni passo di quella pipeline da soli. Investi nell’ingegneria dei dati prima di assumere molti specialisti di apprendimento automatico.

4. Cosa ti entusiasma di più per il futuro dell’apprendimento automatico?

Ci sono così tante cose entusiasmanti in corso. Penso che il ritmo e la democratizzazione del campo siano forse ciò che trovo più entusiasmante. Ricordo quasi 10 anni fa quando ho scritto il mio primo modello seq2seq per la traduzione del linguaggio. Erano centinaia di righe di codice, ci voleva un’eternità per addestrare ed era piuttosto impegnativo. Ora puoi costruire praticamente un sistema per tradurre qualsiasi lingua in qualsiasi altra lingua in meno di 100 righe di codice Python. È pazzesco! Questo trend è destinato a continuare e, man mano che l’infrastruttura di apprendimento automatico migliora sempre di più, sarà sempre più facile per le persone senza una profonda esperienza nel campo distribuire e servire modelli ad altre persone.

Proprio come all’inizio di Internet, gli sviluppatori di software erano pochi e distanti tra loro e avevi bisogno di un team esperto per configurare un sito web. Poi sono arrivate cose come Django, Rails, ecc. che hanno reso facile la creazione di siti web, ma renderli disponibili era difficile. Siamo un po’ in questo punto in cui costruire i modelli è facile, ma servirli in modo affidabile, monitorarli in modo affidabile, ecc. è ancora una sfida. Credo che nei prossimi anni la barriera all’ingresso scenderà MOLTO qui e praticamente ogni liceale potrà distribuire un deep transformer su qualche infrastruttura cloud e iniziare a servire risultati utili alla popolazione generale. Questo è davvero entusiasmante perché significa che inizieremo a vedere sempre più innovazioni tangibili, proprio come l’esplosione dei servizi online. Tante cose interessanti!

Eric Golinko – Direttore dell’apprendimento automatico presso E Source

Sfondo: Esperto praticante di dati e costruttore di team. Ho lavorato in molti settori e in aziende di diverse dimensioni. Sono un risolutore di problemi, formatosi come matematico e informatico. Ma, soprattutto, valorizzo le relazioni, la famiglia, i cani, i viaggi e la pizza.

Curiosità: A Eric piacciono molto i nachos!

E Source: Fornisce intelligenza di mercato indipendente, consulenza e scienza dei dati predittiva a servizi pubblici, grandi consumatori di energia e altri attori chiave nel mercato dell’energia al dettaglio.

1. In che modo l’apprendimento automatico ha avuto un impatto positivo sull’industria dell’energia/servizi pubblici?

Accesso a intuizioni commerciali, a condizione che ci siano dati di qualità. I servizi pubblici hanno molte relazioni di dati all’interno del loro portfolio dati, dai clienti ai dispositivi, più specificamente, ciò riguarda gli importi delle bollette mensili e l’iscrizione a programmi di risparmio energetico. Dati del genere potrebbero essere archiviati in un database relazionale, mentre i dati dei dispositivi o delle risorse possono essere considerati come i componenti delle macchine che compongono la nostra rete. Creare connessioni tra questi tipi di dati non è banale.

Inoltre, i dati di terze parti relativi allo spaziale/GIS e al meteo sono estremamente importanti. Attraverso il machine learning, siamo in grado di individuare ed esplorare caratteristiche e risultati che hanno un impatto reale.

2. Quali sono le principali sfide di ML nel settore delle utilities?

Ci deve essere una demistificazione. Ciò che il machine learning può fare e dove deve essere monitorato o potrebbe essere carente. L’industria delle utilities ha modi consolidati di operare e il machine learning può essere visto come un elemento perturbatore. Per questo motivo, i dipartimenti possono essere lenti ad adottare nuove tecnologie o paradigmi. Tuttavia, se il professionista riesce a dimostrare dei risultati, allora i risultati creano trazione e una maggiore volontà di adottare. Altre sfide riguardano i dati in loco e l’accesso al cloud e all’infrastruttura. È un processo graduale e ha una curva di apprendimento che richiede pazienza.

3. Qual è un errore comune che vedi persone commettere nel tentativo di integrare il machine learning nelle utilities?

Non unico per le utilities, ma muoversi troppo velocemente e trascurare la buona qualità dei dati e semplici controlli di qualità. Oltre a questo, il machine learning viene praticato da molti gruppi in modo diretto o indiretto. Una sfida consiste nell’integrare le migliori pratiche di sviluppo tra i team. Ciò significa anche tracciare i modelli e essere in grado di persistere gli esperimenti e la scoperta continua.

4. Cosa ti entusiasma di più riguardo al futuro del machine learning?

Faccio questo da oltre un decennio e in qualche modo mi sento ancora un principiante. Mi sento fortunato ad aver fatto parte di squadre in cui sarei stato fortunato se mi avessero chiamato un membro medio. La mia sensazione è che i prossimi dieci anni e oltre saranno maggiormente focalizzati sull’ingegneria dei dati per coprire un numero ancora maggiore di casi d’uso tramite il machine learning.


🤗 Grazie per aver partecipato a questa prima puntata di ML Director Insights. Restate sintonizzati per ulteriori approfondimenti da parte dei direttori di ML nel settore SaaS, finanza e e-commerce.

Un grande ringraziamento a Eric Golinko, Nicolas Bertagnolli, Nathan Cahill, Alina Zare, Li Tan e Archi Mitra per i loro brillanti contributi e la partecipazione a questo articolo. Non vediamo l’ora di seguire i vostri successi continui e vi supporteremo ad ogni passo. 🎉

Infine, se tu o il tuo team siete interessati ad accelerare la vostra roadmap di ML con Hugging Face Experts, visita hf.co/support per saperne di più.