L’intelligenza artificiale e le tecnologie di machine learning hanno recentemente guadagnato terreno nel settore aziendale. Tuttavia, la maggior parte delle aziende non ha ancora capito come utilizzare correttamente i propri dati e quali vantaggi ne possono derivare.
Forbes Insights, in collaborazione con Dell Technologies e Intel, ha intervistato più di 700 top manager sull’utilizzo dell’intelligenza artificiale e del machine learning. Mentre 3 su 4 CxO (Chief Experience Officer) affermano che l’intelligenza artificiale è una componente chiave dei loro piani di sviluppo digitale, meno del 25% l’ha implementata nella propria organizzazione. Solo l’11% degli intervistati ha implementato una strategia di elaborazione dati a livello aziendale e solo il 2% afferma di avere un processo di gestione dati affidabile.
L’utilizzo di tecnologie avanzate è una strada sicura per il successo. Tuttavia, molte aziende non hanno l’infrastruttura per implementare tali soluzioni, per non parlare della capacità di svilupparne una propria.
Allo stesso tempo, nel mercato del software c’è la tendenza a sviluppare prodotti come servizi completi nel cloud. Potreste aver sentito parlare di cose come Platform as a Service (PaaS), Infrastructure as a Service (IaaS) e il Software as a Service (SaaS). La loro crescita come mercato ha portato a una battaglia nel campo dello spazio cloud.
L’avvento del Machine Learning as a Service (MLaaS) è stato raggiunto poco dopo. La crescente tendenza a trasferire l’archiviazione dei dati nel cloud, come ha voluto fare l’esercito americano, a mantenerla e a estrarne le migliori informazioni ha costituito un eccellente tandem con la tecnologia di machine learning (ML), rendendo possibile la fornitura di tali soluzioni a prezzi accessibili.
Che cos’è la MLaaS?
Machine Learning as a Service (MLaaS) è un insieme di servizi che offre l’implementazione di strumenti di machine learning basati sul cloud. MLaaS aiuta i clienti a trarre vantaggio dal machine learning senza i costi, i tempi e i rischi associati alla creazione di un team interno di machine learning. I problemi infrastrutturali, come la pre elaborazione dei dati, la formazione dei modelli, la valutazione dei modelli e, in ultima analisi, le previsioni, possono essere mitigati con MLaaS.
I fornitori di servizi offrono strumenti che includono l’analisi predittiva e l’apprendimento profondo, API, visualizzazione dei dati, elaborazione del linguaggio naturale e altro ancora. L’aspetto informatico è gestito dal centro dati del fornitore di servizi.
Come funziona MLaaS?
In parole povere, MLaaS è un insieme di servizi che offrono strumenti di machine learning universali, unici nel loro genere, che possono essere adattati da qualsiasi organizzazione come parte delle proprie esigenze di lavoro. Questi servizi vanno dalla visualizzazione dei dati, alle interfacce di programmazione di applicazioni multiple, al riconoscimento dei volti, all’elaborazione del linguaggio naturale, all’analisi predittiva e allo studio approfondito. Gli algoritmi MLaaS sono utilizzati per la ricerca di modelli nei dati. I modelli matematici sono costruiti con questi modelli e gli stessi sono successivamente utilizzati per la previsione con l’aiuto dei nuovi dati ottenuti.
Ci sono 3 livelli principali di impostazioni di cloud AI. La scelta dipende dall’occasione d’uso, dall’esperienza di machine learning e dal budget disponibile.
MLaaS confezionati
Il machine learning confezionato come servizio è il livello più basso di impostazioni MLaaS. A questo livello, il fornitore gestisce un modello confezionato e pronto all’uso con un set predefinito di opzioni di intelligenza artificiale, come il riconoscimento dei volti, il rilevamento di oggetti e l’estrazione di testo.
Questa è la cosa più semplice da fare, in quanto il fornitore di intelligenza artificiale è responsabile al 100% per il provisioning dei dati, la formazione, il test e l’implementazione, quindi non è necessaria alcuna abilità di apprendimento della macchina. Dopo essersi collegati alla propria libreria, è possibile iniziare immediatamente a utilizzare il modello per etichettare il contenuto visivo. Il MLaaS confezionato viene implementato quando un’organizzazione ha un caso d’uso relativamente semplice per l’IA, dove i termini più generali di auto-tagging sono accettabili per la propria attività.
Esempio: un’azienda di viaggi carica migliaia di foto delle vacanze nella sua biblioteca ogni settimana per un uso futuro a scopi di marketing. Non hanno il tempo o la manodopera per etichettare manualmente le foto da sole, quindi collegano il modello MLaaS confezionato alla loro libreria per etichettarle automaticamente. Ora, quando hanno bisogno di un’immagine per la pagina web della luna di miele, possono cercare “coppia”, “spiaggia” e “tramonto” e la biblioteca visualizzerà le foto che sono state automaticamente taggate con il modello MLaaS confezionato.
Esempi di MLaaS confezionati: Microsoft Azure Computer Vision, Google Cloud Vision, Amazon Rekognition
MLaaS guidati
Questo tipo di MLaaS è più complesso e viene utilizzato per risolvere specifici problemi di business. Con questo livello di personalizzazione, il fornitore di machine learning offre uno spazio in cui è possibile classificare i propri media, aggiungere immagini ed etichettarle in modo appropriato per addestrare il modello fino a quando non si è soddisfatti del suo livello di fiducia. Poiché condurrete la formazione e i test, è necessario comprendere le statistiche di base e i livelli di precisione.
La formazione dei modelli richiede un certo tempo – ad esempio, Microsoft offre circa 30 immagini per ogni tag per ottenere un livello di fiducia accettabile. Questa forma di MLaaS viene utilizzata se c’è un problema di business che non può essere risolto con i comuni auto-tag.
Esempio: una società di telecomunicazioni ha una biblioteca per memorizzare le immagini dei telefoni che offre. Poiché vendono telefoni di diverse marche e generazioni, l’auto-tag “cell phone” è troppo versatile per rendere la loro ricerca visiva facile da usare. Decidono di introdurre il modello MLaaS Guidato per insegnare al modello a distinguere tra diverse marche e generazioni (per esempio, iPhone 8 o Samsung Galaxy S9). Dopo aver portato il modello a un livello di confidenza del 99%, lo collegano alla loro libreria in modo che possa contrassegnare automaticamente le nuove immagini scaricate con le appropriate etichette del telefono.
Esempi di MLaaS guidati: Microsoft Azure Custom Vision, Google AutoML, IBM Watson Visual Recognition
MLaaS specializzati
Il machine learning specializzato come servizio è il modello che offre la massima flessibilità in termini di strumenti, piattaforme e infrastrutture, ma richiede anche una conoscenza approfondita dei modelli di machine learning e delle integrazioni di sistema. Utilizzando MLaaS specializzati, il fornitore fornisce una macchina virtuale preconfezionata con software standard di machine learning e componenti aggiuntivi, in modo che il team IT interno o gli sviluppatori di terze parti possano codificare, formare, pacchettizzare e distribuire il modello. In questo caso, avrete bisogno di uno specialista di dati e di uno sviluppatore o di un integratore tecnico per fornire dati, formazione, test e distribuzione. Il MLaaS specializzato viene utilizzato solo per casi molto specifici e richiede il maggiore investimento di risorse di tutti i modelli MLaaS. Ma ne vale la pena.
Esempio: un’azienda farmaceutica conduce un esperimento scientifico che richiede l’identificazione e l’etichettatura di vari ceppi di batteri e virus. Poiché le differenze tra i batteri sono così minime da richiedere una conoscenza approfondita per identificarli, lo scenario per l’utilizzo dell’azienda è troppo complesso per i MLaaS guidati. Assumono uno specialista di dati e un programmatore (o un’azienda terza) per creare un modello di IA completamente personalizzabile utilizzando il servizio di machine learning. Dopo aver sviluppato, addestrato e testato il modello, possono iniziare a etichettare automaticamente ogni specifico ceppo di batteri.
Esempi di MLaaS specializzati: Azure Machine Learning Service, Google Cloud ML Engine, Amazon Sagemaker
I leader nel Machine Learning as a Service
1. Microsoft Azure Machine Learning Studio
Microsoft Azure offre servizi di machine learning scalabili per aziende di tutte le dimensioni. Azure supporta un insieme di piattaforme, linguaggi di programmazione, database, sistemi operativi e dispositivi. Fornisce l’interoperabilità tra i dispositivi che supportano tutte le principali piattaforme mobili.
2. Apprendimento automatico AWS
AWS sta per Amazon Web Service. Amazon Machine Learning è altamente automatizzato. Senza creare codice, aiuta le aziende a creare modelli di machine learning. AWS mette a disposizione degli sviluppatori il machine learning senza dover imparare algoritmi e tecnologie complesse. Amazon ML si basa su un modello di prezzi a pagamento.
3. IBM Watson Machine Learning (WML)
WML funziona su IBM Bluemix. Sia gli scienziati che gli sviluppatori di dati usano WML per la formazione e la valutazione. WML è progettato per rispondere a domande sull’operazionalizzazione, l’implementazione e la derivazione dei valori di business dai modelli ML. WML utilizza anche strumenti di modellazione visiva che aiutano gli utenti ad acquisire comprensione, a prendere decisioni più velocemente e a identificare rapidamente i modelli.
4. Google Cloud Machine Learning Engine
La portata del software di Google è quasi illimitata. Il motore di apprendimento automatico di Google si basa su TensorFlow. Questo motore ML è integrato con tutti gli altri servizi di Google come Google Cloud Storage, Google Cloud Dataflow, Google BigQuery e altri. Il motore di machine learning di Google fornisce agli utenti un sostituto per la creazione di modelli ML per i dati. I dati possono essere di qualsiasi dimensione e tipo.
Come integrare il machine learning come servizio nella vostra azienda?
Come sfruttare appieno i vantaggi di MLaaS? Per raggiungere questo obiettivo, è necessario implementare una soluzione nel software, e un’azienda che abbia tecnologie ML e AI nel suo stack tecnologico vi aiuterà a farlo. Il Gruppo MassMedia, ad esempio, è attivamente coinvolto nell’introduzione di tecnologie avanzate nel software e grazie a questo ha già portato diverse aziende a un livello completamente nuovo.
L’implementazione di MLaaS può essere un grande aiuto per il business, tuttavia, il compito principale è quello di trovare esperti che lo integrino nei processi aziendali.
