Il 2017 è l’anno in cui la conversazione sul machine learning passa dai paper di ricerca alle roadmap di prodotto. Tre sviluppi definiscono il momento.
Primo, AlphaGo di Google batte il campione del mondo Ke Jie a maggio, dimostrando che il deep reinforcement learning può ora superare gli esperti umani in domini ritenuti in precedenza dipendenti dall’intuizione.
Secondo, Facebook rilascia PyTorch 0.1, offrendo un grafo di computazione dinamico che rende la sperimentazione enormemente più rapida rispetto all’approccio a grafo statico di TensorFlow. I due framework definiranno per anni il panorama degli strumenti per il deep learning.
Terzo, AWS SageMaker, Google Cloud ML Engine e Azure Machine Learning raggiungono tutti una maturità significativa, portando l’addestramento su GPU e l’inferenza gestita alla portata di team senza infrastruttura ML dedicata. Per i team di software enterprise, il 2017 è l’anno in cui l’AI smette di essere una questione di ricerca e inizia a essere un problema ingegneristico.