Il Magic Quadrant 2021 di Gartner cita il "eccesso di innovazione" nella scienza dei dati e nel machine learning

Unisciti a Transform 2021 per i temi più importanti nell'intelligenza artificiale e nei dati aziendali. Per saperne di più.

Il report Magic Quadrant di Gartner sulle società di piattaforme di data science e machine learning (DSLM) valuta quelli che secondo loro sono i primi 20 fornitori in questo segmento industriale in rapida crescita.

I data scientist e altri utenti tecnici si affidano a queste piattaforme per reperire dati, creare modelli e utilizzare l'apprendimento automatico in un momento in cui la creazione di applicazioni di apprendimento automatico sta diventando sempre più un modo per le aziende di differenziarsi.

Gartner afferma che l'IA è ancora "sopravvalutata", ma osserva che la pandemia COVID-19 ha reso gli investimenti in DSLM più pratici. Le aziende dovrebbero concentrarsi sullo sviluppo di nuovi casi d'uso e applicazioni per DSML, quelli che sono visibili e forniscono valore aziendale, ha affermato Gartner nel rapporto pubblicato la scorsa settimana. Le aziende intelligenti dovrebbero basarsi sui primi progetti di successo e ridimensionarli.

Il rapporto valuta l'ambito, i ricavi e la crescita delle piattaforme DSML, i conteggi dei clienti, la trazione del mercato e il punteggio di capacità del prodotto. Ecco alcuni dei risultati notevoli:

• La governance responsabile dell'IA, la trasparenza e la risoluzione dei pregiudizi basati su modelli sono i fattori di differenziazione più preziosi in questo mercato e ogni fornitore elencato sta facendo progressi in queste aree.
• Google e Amazon stanno finalmente competendo con Microsoft per la supremazia in termini di capacità DSML nel cloud. Amazon non è stata nemmeno inclusa nel Magic Quadrant dello scorso anno perché non aveva spedito il suo prodotto principale entro la data limite di novembre 2019. I grandi nomi di più lunga data in questo settore – IBM, MathWorks e SAS – stanno ancora tenendo la loro posizione e innovando con offerte moderne e strategie adattive.
• Numerosi fornitori più piccoli, più giovani e di medie dimensioni si trovano in periodi di crescita eccessiva. La dimensione crescente del mercato alimenta le startup in tutte le fasi del ciclo di vita della scienza dei dati. Gartner osserva che crescere al ritmo del mercato in realtà significa crescere lentamente.
• Alibaba Cloud, Cloudera e Samsung DDS sono inclusi per la prima volta nel Magic Quadrant.
• Il mercato del software per piattaforme DSML è cresciuto del 17,5% nel 2019, generando entrate per 4 miliardi di dollari. È il secondo segmento in più rapida crescita del mercato del software di analisi e business intelligence (BI) dietro le moderne piattaforme di BI, che sono cresciute del 17,9%. La sua quota del mercato complessivo dell'analisi e della BI è cresciuta al 16,1% nel 2019.
• I fornitori di DSML più innovativi supportano vari tipi di utenti che collaborano allo stesso progetto: data engineer, data scientist esperti, citizen data scientist, sviluppatori di applicazioni e specialisti di machine learning.

Rimane un "eccesso di innovazioni convincenti" e roadmap visionarie, afferma Gartner. Questo è un mercato adolescenziale, in cui i fornitori sono fortemente concentrati sull'innovazione e la differenziazione, piuttosto che sulla pura esecuzione. Gartner ha affermato che le aree chiave di differenziazione includono interfaccia utente, DSML aumentato (AutoML), MLOps, prestazioni e scalabilità, supporto ibrido e multicloud, XAI e casi d'uso e tecniche all'avanguardia (come deep learning, IoT su larga scala e apprendimento di rinforzo. ).

Sopra: Gartner Magic Quadrant per le piattaforme di data science e machine learning. (Fonte: Gartner, marzo 2021)

Credito immagine: Dataiku

Data science e machine learning nel 2021 e oltre

Per la maggior parte delle aziende, la sfida è tenere il passo con il rapido ritmo di cambiamento nei loro settori, guidato dalla velocità con cui i loro concorrenti, fornitori e partner di canale stanno trasformando digitalmente le loro attività.

• I CIO e i team di senior management vogliono comprendere le specifiche di come funzionano i modelli di data science e machine learning. Una priorità assoluta per i dirigenti IT che lavorano con le tecnologie DSML è comprendere la mitigazione dei bias e come le tecnologie DSML possono controllare i bias in base al modello. La progettazione della trasparenza dovrebbe iniziare con modelli e archivi di dati, fornendo una maggiore visibilità su un'intera piattaforma DSML.

• Le aziende continuano a lottare per spostare più modelli di intelligenza artificiale dal pilota alla produzione. Secondo il Gartner AI in Organizations Survey del 2020, solo il 53% dei prototipi di machine learning viene infine implementato in produzione. I tassi di rendimento dal modello iniziale all'implementazione della produzione mostrano margini di miglioramento. Cerca i fornitori di DSML che intensifichino i loro sforzi per fornire app e piattaforme di modellazione in grado di accettare set di dati più piccoli e fornire comunque risultati accurati.
• Il software open source (OSS) è uno standard de facto con i fornitori di DSML. OSS offre alle aziende l'opportunità di rendere operativi i progetti DSML con una spesa iniziale minima. L'adozione di OSS è diventata così pervasiva che la maggior parte dei fornitori di DSML si affida a OSS, a partire da Python, il linguaggio più comunemente utilizzato. I fornitori di piattaforme DSML aiutano anche a ottimizzare e curare le distribuzioni OSS.
• Affinché qualsiasi azienda possa investire in una piattaforma DSML, l'integrazione e la connettività sono essenziali. I fornitori di DSML stanno adottando componenti per le loro architetture di piattaforma perché i componenti sono più estensibili e possono essere adattati alle esigenze specifiche di un'azienda. I modelli confezionati che si integrano in una piattaforma DSML utilizzando le API aiutano le aziende a personalizzare i modelli di machine learning per le specifiche sfide del settore che devono affrontare.
• La progettazione di interfacce e flussi di lavoro più intuitivi riduce la curva di apprendimento per le linee di business e gli analisti di dati. I miglioramenti nella data science aumentata e nel ML aiutano a scaricare tutto il lavoro di data science e modellazione da data scientist esperti ad analisti aziendali che preferiscono iterare i modelli da soli, cambiando spesso i vincoli in base alle condizioni di mercato.
• Le organizzazioni si affidano all'open source gratuito ea basso costo, combinato con i provider di cloud pubblico per ridurre i costi mentre sperimentano iniziative DSML. È quindi probabile che adottino software commerciale per affrontare casi d'uso e requisiti più ampi per la collaborazione in team e per spostare i modelli in produzione.

Quali fornitori sono leader e perché

Di seguito sono riportati alcuni approfondimenti specifici dell'azienda inclusi nel Magic Quadrant di quest'anno:

• SAS Visual Data Mining and Machine Learning (VDMML) è il leader di mercato, avendo dominato per anni il quadrante Leader in questo specifico Magic Quadrant. Gartner dà credito a SAS per la sua architettura nativa per il cloud, l'ingegneria e la modellazione delle funzionalità automatizzate e l'esperienza di dominio riflessa nei suoi casi d'uso di prototipazione avanzata e perfezionamento della produzione. SAS è spesso visto come un fornitore legacy costoso da implementare e supportare. La fedeltà dei clienti che SAS ha accumulato nelle imprese globali e la priorità che i suoi team di sviluppo attribuiscono al DSML aiuta l'azienda a mantenere il predominio in questo mercato.
• Il Watson Studio di IBM è salito nel quadrante Leader quest'anno, dopo essere stato considerato un Challenger nel 2020. Gartner ritiene che la completezza della visione dell'azienda (asse orizzontale del quadrante) sia migliorata rispetto allo scorso anno, spostandola nel quadrante Leader. Ciò è dovuto principalmente al supporto multi-persona di IBM Watson Studio, alla profondità dell'IA e alla governance responsabili e alla struttura dei componenti che si dimostrano efficaci per la modellazione decisionale. Basandosi su diversi anni di reinvenzione, IBM è in grado di fornire un DSML di classe enterprise che progredirà con successo oltre la fase pilota o di prova del concetto. Gartner riconosce a IBM il merito di aver capitalizzato sui precedenti successi di SPSS, ILOG CPLEX Optimization Studio, prodotti di analisi precedenti e il flusso continuo di innovazioni di IBM Research.
• Il forte slancio di Alteryx nel mercato non si riflette nel suo passaggio dal quadrante Leader a Challenger. Alteryx ha superato l'incertezza dello scorso anno, registrando un aumento del 19% su base annua delle entrate per il 2020, raggiungendo i 495,3 milioni di dollari. Il fatturato annuo ricorrente è cresciuto del 32% anno su anno, raggiungendo i 492,6 milioni di dollari. Gartner dà credito ad Alteryx per il supporto di più persone, una comprovata strategia go-to-market e per la fornitura di un eccellente servizio clienti e supporto. Alteryx ha dimostrato di essere innovativo, nonostante abbia menzionato questo attributo come avvertenza nel Magic Quadrant.
• Lo slancio del mercato di Amazon SageMaker è formidabile, ulteriormente rafforzato dal suo ritmo di innovazione. A febbraio, Amazon Web Services (AWS) ha annunciato di aver progettato e produrrà il proprio chip di formazione per l'apprendimento automatico. AWS Trainium è progettato per offrire il maggior numero di teraflop di qualsiasi istanza di formazione di machine learning nel cloud. AWS ha anche annunciato che Trainium supporterà tutti i principali framework (inclusi TensorFlow, PyTorch e MXnet). Trainium utilizzerà lo stesso Neuron SDK utilizzato da AWS Inferentia (un chip progettato da AWS per l'accelerazione dell'inferenza del machine learning), rendendo facile per i clienti iniziare rapidamente la formazione con AWS Trainium. AWS Trainium arriverà su Amazon EC2 e Amazon SageMaker nella seconda metà del 2021. Amazon SageMaker comprende 12 componenti: Studio, Autopilot, Ground Truth, JumpStart, Data Wrangler, Feature Store, Clarify, Debugger, Model Monitor, Distributed Training, Pipelines, e Edge Manager.
• Google lancerà la sua piattaforma AI unificata nel primo trimestre del 2021. Questo è dopo la data limite per la valutazione in questo Magic Quadrant. Rilascerà funzionalità chiave come tabelle AutoML, XAI, pipeline della piattaforma AI e altri servizi MLOps.

Le sfide per i fornitori di piattaforme DSML oggi iniziano con il bilanciamento delle esigenze di maggiore trasparenza e mitigazione dei pregiudizi, sviluppando e fornendo nuove funzionalità innovative a una cadenza prevedibile. Il Magic Quadrant riflette l'attuale realtà del mercato dopo l'aggiornamento con quattro nuovi fornitori di cloud, uno con un ampio ecosistema e una comprovata dinamica di mercato.

Una cosa da considerare dopo aver esaminato il Magic Quadrant è che ci saranno alcune fusioni o acquisizioni all'orizzonte. Cerca i fornitori di BI che acquisiscano o si fondano con i fornitori di piattaforme DSML mentre la direzione del mercato della BI si sposta verso l'analisi aumentata e si allontana dalla visualizzazione. Un'ulteriore fonte di potenziale attività di fusione e acquisizione è il fatto che le piattaforme DSML potrebbero utilizzare la trasformazione dei dati migliorata e il supporto alla scoperta a livello di modello, che è un punto di forza di lunga data delle piattaforme BI.

VentureBeat

La missione di VentureBeat è quella di essere una piazza cittadina digitale per i responsabili delle decisioni tecniche per acquisire conoscenze sulla tecnologia trasformativa e sulle transazioni.

Il nostro sito fornisce informazioni essenziali sulle tecnologie e strategie dei dati per guidarti mentre guidi le tue organizzazioni. Ti invitiamo a diventare un membro della nostra community, per accedere a:

• informazioni aggiornate sugli argomenti di tuo interesse
• le nostre newsletter
• contenuti gated leader di pensiero e accesso scontato ai nostri eventi pregiati, come Trasforma il 2021: Per saperne di più
• funzionalità di rete e altro ancora

Diventare socio