Arrivato al 12° anno di pubblicazione, l’ultimo rapporto mostra uno spostamento della proprietà dei dati verso le periferie, con una maggiore garanzia su privacy e personalizzazione delle informazioni
Thoughtworks ha pubblicato il volume 27 del Technology Radar, un rapporto biennale basato sulle osservazioni, le conversazioni e le esperienze di prima linea di Thoughtworks nel risolvere le sfide aziendali più difficili a livello globale. Mentre prima il machine learning (ML) richiedeva grandi insiemi di dati e l’accesso a un’immensa potenza di calcolo per affrontare problemi aziendali complessi, il rapporto osserva che la disponibilità di nuovi e più avanzati tool, di applicazioni e nuove tecnologie sta consentendo alle organizzazioni IT di fare di più con il ML, e in più luoghi.
Volume 27 del Technology Radar
Con l’aumento della potenza di calcolo su dispositivi di ogni tipo e dimensione e la diffusione di strumenti open-source più facili da usare, il ML sta diventando accessibile anche alle organizzazioni più piccole. In particolare, di fronte a requisiti più rigorosi e una maggiore consapevolezza sulla gestione della privacy e delle informazioni personalizzate, le organizzazioni hanno scoperto tecniche come il machine learning federato, che fornisce una maggiore privacy delle informazioni sensibili negli ambiti dell’IoT e della telefonia mobile. Poiché il ML dipende in larga misura dalla qualità di addestramento dei dati, le cautele standard rimangono quelle relative alle vulnerabilità e al bias dei set di dati. Tuttavia, una preponderanza di strumenti open source sta contribuendo a creare trasparenza nel modo in cui gli algoritmi interpretano e agiscono sui dati.
“Riservati, in precedenza, solamente ad utilizzatori esperti e ad organizzazioni IT con più risorse, oggi la maggiore disponibilità e facilità d’uso dei modelli e componenti basati sul ML, contribuisce fortemente ad abbattere le barriere all’entrata e rendere accessibile il ML ad un numero sempre maggiore di organizzazioni,” ha affermato Dr. Rebecca Parsons, chief technology officer di Thoughtworks.
“Consigliamo alle organizzazioni di essere aperte anche a casi d’uso più pragmatici in cui il ML può essere utilizzato per migliorare l’efficienza nella gestione aziendale, nei prodotti e nei servizi e non solo nelle applicazioni più rivoluzionarie.”
I temi in evidenza nel Technology Radar Vol. 27 includono:
- La diffusione del ML: in poco più di un decennio, machine learning è passato da una tecnica altamente specializzata a qualcosa che può fare quasi chiunque abbia dati e potenza di calcolo. Questo è un fatto positivo, ma rimane essenziale che il settore riesca a gestire sia la proliferazione di strumenti e framework, sia le questioni etiche che stanno diventando sempre più visibili e urgenti.
- Il potere delle piattaforme come prodotto: una piattaforma può essere una cosa potente, soprattutto quando si tratta di facilitare gli sviluppatori. Tuttavia, spesso vediamo risultati deludenti quando non vengono trattate correttamente come prodotti – è importante che le piattaforme siano costruite e mantenute in modo da rispondere e mediare le esigenze dei team tecnici e dell’organizzazione in generale.
- Il decentramento della proprietà dei dati: quando si tratta di dati, la centralizzazione può essere costrittiva. Nuove tecniche e tool, tuttavia, stanno rendendo più facile superare le sfide della centralizzazione, offrendo vantaggi sia dal punto di vista tecnico che della privacy.
- La modularità del mobile: i vantaggi della modularità sono ben noti ma, per una serie di ragioni, non sono stati altrettanto sfruttati nello sviluppo del mobile. Questa situazione sta iniziando a cambiare; riteniamo che l’adozione di un approccio modulare al mobile migliorerà non solo la qualità delle applicazioni mobili, ma anche l’esperienza nella loro realizzazione.
