Questo sito web utilizza cookie tecnici e, previo Suo consenso, cookie di profilazione, nostri e di terze parti. Chiudendo questo banner, scorrendo questa pagina o cliccando qualunque suo elemento acconsente all'uso dei cookie. Leggi la nostra Cookie Policy per esteso.OK

AI software open source: come migliora la gestione dei costi

pittogramma Zerouno

Focus on

AI software open source: come migliora la gestione dei costi

Ecco quali criteri seguire per la selezione degli strumenti e dei framework open source, necessari per implementare una piattaforma di AI software

05 Nov 2019

di Redazione Data Science & Machine Learning

Sulle potenzialità dei software di intelligenza artificiale (AI) per il miglioramento e la razionalizzazione dell’attività di business in molti ambiti commerciali, industriali e professionali, le aspettative delle imprese sono elevate: tuttavia, il divario tra l’ambizione di utilizzare un AI software per automatizzare i processi aziendali, migliorando efficienza a prestazioni, e la reale capacità d’implementarlo con efficacia, gestendo al meglio anche l’aspetto dei costi, resta ancora troppo ampio. In effetti, nonostante l’idea di usare l’AI software nel business continui ad attrarre le imprese in vari campi, molte organizzazioni manifestano ancora difficoltà a intraprendere e portare avanti progetti di questo genere.

AI software, difficile da implementare

Riguardo alle difficoltà d’implementazione dell’AI software, è vero, secondo quanto emerge da un rapporto condotto dalla scuola di management MIT Sloan, che la stragrande maggioranza delle organizzazioni (83%) concorda che promuovere l’intelligenza artificiale nelle imprese è un’opportunità strategica, ma non si può comunque ignorare che l’81% di esse non comprende quali dati sono necessari per l’AI o come accedervi. Un altro studio, della società di ricerca e consulenza Gartner, rileva che “i responsabili di dati e analytics continuano a lottare contro complessità, tempi di integrazione e implicazioni economiche dei loro progetti di integrazione dei dati, tutti aspetti che accrescono a dismisura i loro tempi e costi di consegna, con più cicli di revisione degli obiettivi di progetto”.

Saper gestire i workload AI

L’esplosione dei dati, la loro crescente pervasività, assieme a cloud computing, e la disponibilità di acceleratori AI, algoritmi di machine learning (ML) e deep learning (DL) hanno portato l’AI software in primo piano. Entro il 2019, prevede la società di ricerche e consulenza IDC, il 40% delle iniziative di digital transformation utilizzerà servizi AI, mentre, entro il 2021, il 75% delle app enterprise commerciali userà la AI. Entro il 2020, l’85% delle nuove assunzioni tecniche saranno valutate in base al possesso di competenze AI e analitiche.

Tuttavia, implementare in produzione i modelli e i workload AI non è facile, perché gli algoritmi ML e DL richiedono enormi moli di dati di training, che oggi possono essere di tipo strutturato, non strutturato, semi-strutturato; possono dover essere acquisiti in tempo reale, e trovarsi distribuiti in ambienti IT differenti: server on-premise, cloud privati e pubblici, piattaforme social.

AI software: perché scegliere una soluzione open source integrata

Nonostante tale complessità di gestione rischi di compromettere la qualità dei dati e dei modelli su essi costruiti, i data scientist in genere utilizzano una varietà di strumenti, framework open source e linguaggi (RStudio, Spark, TensorFlow, Caffe, Python), che rendono lunga e macchinosa la selezione e installazione dell’AI software, come anche la costruzione e ottimizzazione dei modelli. Senza contare che la pipeline di dati costruita per i carichi di lavoro AI richiederebbe anche un’infrastruttura di storage adeguatamente dimensionata, per non compromettere la produttività del processo, ed evitare di aumentarne i costi.

Ecco perché, invece di adottare differenti approcci e soluzioni d’infrastruttura per l’AI software, sarebbe preferibile optare per una soluzione AI software integrata, in grado di automatizzare la preparazione dei dati e la validazione della loro qualità e attendibilità, assieme a quella dei modelli; e farlo a costo conveniente, senza tralasciare i requisiti di manutenibilità e supporto, compliance, sicurezza, e scalabilità delle risorse hardware (CPU, GPU) in funzione delle prestazioni, del sistema operativo, e della domanda di energia richiesta dalla specifica implementazione AI.

Point of view: IBM L’infrastruttura aziendale nell’era dell’intelligenza artificiale: sfide e vantaggie Scarica il white paper

D

Redazione Data Science & Machine Learning

Argomenti trattati

Approfondimenti

I
Intelligenza Artificiale
AI software open source: come migliora la gestione dei costi

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

    LinkedIn

    Twitter

    Whatsapp

    Facebook

    Link

    Articolo 1 di 4