Un sondage révèle que près de la moitié des programmeurs trouvent que le machine learning prend trop de temps – jusqu’à 20 heures par mois pour certains

Une étude récente menée auprès de plus de 1000 développeurs a révélé que 48% d’entre eux estiment que les projets d’apprentissage automatique (ML) prennent trop de temps. Avant de pouvoir bénéficier des avantages offerts par l’apprentissage automatique, les développeurs doivent configurer divers aspects d’une infrastructure complexe, ce qui selon eux, consomme trop de temps. En effet, les développeurs doivent gérer les ressources machine, surveiller et extraire les fonctionnalités. Parmi les personnes interrogées, 34% consacrent personnellement entre 5 et 10 heures par mois à configurer ou à mettre en œuvre l’apprentissage automatique, alors que 24% y consacrent entre 10 et 20 heures. Avec les outils open source, les développeurs peuvent être beaucoup plus flexibles, déployer rapidement le machine learning et obtenir des informations. 73,2% déclarent que l’open source réduit considérablement le temps nécessaire pour passer de la mise en œuvre à l’analyse, et 12% économisent plus de 30 heures.

D’après l’étude, Josh Mesout, directeur de l’innovation chez l’organisation qui a mené l’étude, souligne que « l’apprentissage automatique devient un outil de résolution de problèmes de plus en plus courant » mais « nous avons remarqué que de nombreux développeurs chargés de déployer l’apprentissage automatique ne sont pas des experts en apprentissage automatique. Il s’agit plutôt d’experts dans un domaine qui ont besoin d’informations et d’assistance pour les projets et outils d’apprentissage automatique. Cependant, l’étude montre que beaucoup d’entre eux ont du mal à utiliser cette technologie à son plein potentiel, s’enlisant dans l’infrastructure environnante au lieu de récolter les fruits du ML. ».

L’étude a également révélé que les contraintes de temps associées au déploiement du ML peuvent être un facteur important d’échec du projet. 53% des développeurs ML abandonnent entre 3 et 15% des projets, 21% le font dans 16 et 20% des projets et 5% entre 21 et 30%. Seuls 17% des développeurs déclarent n’avoir jamais abandonné un projet ML.

Face à de tels chiffres, de nouveaux services et technologies émergent pour aider les développeurs à surmonter ces obstacles. Ces innovations pourraient aider à compenser les faiblesses du ML. « En accédant aux logiciels open source, les développeurs peuvent exploiter des ressources prêtes à l’emploi créées par des experts en ML et passer leur temps à générer les informations dont ils ont besoin plutôt que de configurer l’infrastructure nécessaire pour y parvenir », affirme Mesout.

Ces données éclairent le rôle crucial que jouent les technologies open source dans la réduction du temps nécessaire pour mettre en œuvre des projets d’apprentissage automatique et la potentielle réduction des échecs de projets. Ainsi, il est important de se pencher sur les avantages des outils open source pour les développeurs impliqués dans des projets d’apprentissage automatique.

Laisser un commentaire