Thoughtworks a lansat un nou volum al Technology Radar

Thoughtworks a lansat volumul 27 al Technology Radar, un raport bianual bazat pe observaţiile, discuţiile şi experienţele din prima linie ale experţilor companiei angrenaţi în rezolvarea celor mai dificile provocări de afaceri ale clienţilor la nivel global, arată un comunicat de presă transmis redacţiei.

Potrivit sursei citate, în timp ce Machine Learning (ML) necesita odată calupuri mari de date şi acces la o putere imensă de calcul pentru a aborda probleme complexe de afaceri, raportul observă că dezvoltarea şi diversificarea instrumentelor, aplicaţiilor şi infrastructurii specifice permit acum organizaţiilor IT să folosească ML la scară mult mai largă.

Pe măsură ce puterea de calcul creşte pe dispozitive de toate dimensiunile şi tipurile, iar instrumentele open-source devin mai răspândite şi mai uşor de utilizat, ML devine accesibil chiar şi celor mai mici organizaţii. Cu cerinţe mai stricte şi conştientizare în ceea ce priveşte confidenţialitatea şi informaţiile personalizate, organizaţiile descoperă că anumite tehnici, cum ar fi învăţarea automată federalizată, oferă o confidenţialitate mai mare pentru informaţiile sensibile din IoT şi scenarii de utilizare mobilă. Întrucât ML depinde în mare măsură de calitatea datelor folosite în trainingul ML, precauţiile standard vizează cu predilecţie vulnerabilităţi şi asumpţii inerente în calupurile de date. Cu toate acestea, o creştere a numărului de instrumente open-source ajută la creşterea transparenţei modului în care algoritmii interpretează şi acţionează asupra datelor.

"Cândva accesibile doar celor mai avansaţi utilizatori şi organizaţiilor IT cu resurse ridicate, modelele şi componentele ML devin acum mai disponibile şi mai uşor de utilizat pe scară largă, făcând experienţele şi soluţiile ML accesibile şi mai multor organizaţii", a spus dr. Rebecca Parsons, Chief Technology Officer la Thoughtworks.

"Organizaţiile sunt sfătuite să fie deschise şi către cazuri de utilizare mai pragmatice în care ML poate fi aplicat operaţiunilor, produselor şi serviciilor pentru o mai mare eficienţă, nu doar aplicaţiilor care duc la schimbări redicale de paradigmă", a mai adăugat dr. Parsons.

Câteva dintre temele principale din Technology Radar Vol. 27:

-Popularizarea ML: În puţin mai mult de un deceniu, machine learning a trecut de la o tehnică foarte specializată la ceva ce poate face aproape oricine deţine date şi putere de calcul. Acest lucru este de lăudat - totuşi, rămâne esenţial ca industria să poată controla atât proliferarea instrumentelor şi contextelor, cât şi în aspectele etice care devin din ce în ce mai vizibile şi urgente.

-Puterea platformelor ca produs: o platformă poate fi ceva foarte puternic, mai ales când vine vorba de autonomia dezvoltatorilor. Cu toate acestea, vedem adesea rezultate dezamăgitoare atunci când nu sunt tratate corespunzător ca produse - este important ca platformele să fie construite şi întreţinute într-un mod care să răspundă şi să medieze atât nevoile echipelor tehnice, cât şi ale organizaţiei în ansamblu.

-Descentralizarea dreptului de proprietate asupra datelor: când vine vorba de date, centralizarea poate fi neproductivă. Noile tehnici şi instrumente, totuşi, înlesnesc depăşirea provocărilor centralizării, oferind avantaje atât din punct de vedere tehnic, cât şi din punct de vedere al confidenţialităţii.

-Zona de Mobile ar trebui să fie, de asemenea, modulară: beneficiile modularităţii sunt binecunoscute, dar, din mai multe motive, acestea nu au fost utilizate atât de mult în dezvoltarea aplicaţiilor mobile. Acest lucru începe acum să se schimbe; credem că adoptarea unei abordări modulare în dezvoltarea aplicaţiilor mobile va îmbunătăţi nu numai calitatea, ci şi experienţa de construire a acestora, se precizează în comunicat.