來源：云云眾生s

在部署用于數(shù)據(jù)科學、機器學習或人工智能工作的AI模型的人群中,，云環(huán)境的使用激增,。

譯自Cloud Deployment of AI Models Jumps, Says Data Science Study,，作者 Lawrence E Hecht。

忽略您聽到的關于AI工作負載推動從云端遷移到本地和私有云環(huán)境的軼事。在2024年,，Anaconda最新“數(shù)據(jù)科學現(xiàn)狀”報告中只有27%的專業(yè)受訪者將大部分模型部署到本地服務器,，這比2022年同項研究中41%的比例大幅下降,。

事實上,，在主要執(zhí)行數(shù)據(jù)科學、機器學習或人工智能任務的模型部署受訪者中，云環(huán)境的使用率大幅提升,。59%的受訪者表示他們的模型主要位于云端,，高于2022年的49%,。

盡管AI領域明顯增長,，但只有64%的受訪專業(yè)人士將模型部署到生產(chǎn)環(huán)境中,，低于2022年研究中的76%。這一下降是由較少的開發(fā)人員和數(shù)據(jù)工程師表示他們部署模型造成的,。下降的一個解釋可能是對第三方托管大型語言模型的依賴性增加,。

2024年,，87%的受訪專業(yè)人士參與了模型訓練和開發(fā)，高于2022年的85%。在進行訓練和模型開發(fā)的人員中，現(xiàn)在使用本地服務器的人數(shù)減少了一半（2024年為10%,，而2022年為20%）,。即使現(xiàn)在云端進行的訓練更多,，本地臺式機和筆記本電腦仍然是最常見的地點。我們將其解釋為用戶將其計算機直接連接到云端,，并且未使用本地服務器,。

部署模型到生產(chǎn)環(huán)境的挑戰(zhàn)

Anaconda還詢問了公司在將數(shù)據(jù)科學或AI模型遷移到生產(chǎn)環(huán)境時面臨的障礙。如前所述,，較少的受訪者將模型部署到生產(chǎn)環(huán)境中,，但問題只關注已經(jīng)將模型遷移到生產(chǎn)使用的公司面臨的問題。在這個群體中,，滿足IT/信息安全標準（58%）仍然是在將數(shù)據(jù)科學或AI模型遷移到生產(chǎn)環(huán)境時最常被提及的障礙,。安全和IT標準尤其讓數(shù)據(jù)工程師擔憂，88%的人表示這是一個挑戰(zhàn),。

確保數(shù)據(jù)連接（53%）是部署模型到生產(chǎn)環(huán)境的公司最常提及的第二個障礙,，其次是組織技能差距（50%）。自2022年以來,，技能差距有所惡化,，當時只有34%的人將其列為障礙。

令人欣慰的是,，較少的受訪者表示他們受到必須將模型從Python或R重新編碼為另一種語言的限制：這在障礙清單中排名第7,，低于2022年的第2位。有趣的是,，這種下降只發(fā)生在那些主要不從事數(shù)據(jù)科學,、AI或ML工作職能的專業(yè)人士中。因此,，我們認為改進的工具,，包括更多低代碼/無代碼選項，可能使這一挑戰(zhàn)對于那些并非每天都專注于數(shù)據(jù)科學的人來說不那么常見,。

關于技術使用的其他發(fā)現(xiàn)

• 由于Anaconda提供托管的Python產(chǎn)品,，因此67%的受訪專業(yè)人士定期使用Python（總是或經(jīng)常使用）并不令人驚訝。對于主要從事數(shù)據(jù)科學,、ML或AI工作職能的人來說,，這一數(shù)字上升到82%。
• 數(shù)據(jù)清洗,、可視化和分析（66%）是受訪專業(yè)人士使用AI最常見的方式,。專業(yè)人士使用AI的下一個最可能的用途是自動化任務（52%）,、預測或檢測模型（49%）和LLM（即聊天機器人；44%）,。
• 數(shù)據(jù)工程師在使用AI構建新工具和構建內部使用的AI模型方面處于領先地位,。總體而言,，59%的專業(yè)人士表示他們的公司正在使用AI構建新工具，數(shù)據(jù)工程師（69%）更有可能報告這一點,。此外,，56%的專業(yè)人士表示他們的公司正在構建用于內部使用的AI模型，數(shù)據(jù)工程師（65%）更有可能報告這一點,。

關于此研究

Anaconda在2024年6月至2024年9月進行的在線調查中收到了3096份回復,，其中36%的參與者位于亞洲，29%位于北美,，15%位于歐洲,。Anaconda向The New Stack提供了2022年和2024年研究的原始數(shù)據(jù)文件。

本文部分發(fā)現(xiàn)與Anaconda發(fā)布的報告有所不同,。這是因為Anaconda根據(jù)當前職位角色問題對數(shù)據(jù)進行了分割,，而我們根據(jù)當前職位職能對數(shù)據(jù)進行了分割。我們的方法能夠與2022年的研究進行準確的時間序列比較,。另請注意,，由于特定問題的樣本量較小，我們對Anaconda發(fā)布的關于工作保障和招聘AI職位類型的研究結果缺乏信心,。

本文在云云眾生（https://yylives.cc/）首發(fā),，歡迎大家訪問。