思特沃克發(fā)布最新一期《技術雷達》：機器學習（ML）將推動物聯(lián)網(wǎng)和實用場景

《技術雷達》報告半年一期，由全球軟件及技術咨詢公司思特沃克（Thoughtworks）發(fā)布。這已是思特沃克（Thoughtworks）發(fā)布此報告的第12年。本期報告指出，將數(shù)據(jù)所有權移至邊緣節(jié)點，可以為設備信息提供更好的隱私保護和個性化。

北京2022年10月27日 /美通社/ -- 集戰(zhàn)略、設計和工程服務于一體，致力于推動數(shù)字化創(chuàng)新的全球軟件及技術咨詢公司思特沃克（ 納斯達克代碼：TWKS）發(fā)布了第27期《技術雷達》。此報告每半年發(fā)布一期，內(nèi)容來自思特沃克（Thoughtworks）在解決客戶面臨的嚴峻業(yè)務挑戰(zhàn)時獲得的觀察結(jié)果、對話內(nèi)容和一線經(jīng)驗。盡管機器學習 (ML) 曾經(jīng)需要大型數(shù)據(jù)集和強大的計算能力來解決復雜的業(yè)務問題，但本期報告指出，工具、應用程序和技術的持續(xù)增長和廣度，正在使 IT 組織能夠?qū)C器學習 (ML) 使用到更加廣泛的領域。

隨著各種規(guī)模和類型的設備上計算能力的增長，以及開源工具更加普及和易于使用，即使最小的組織也可以使用機器學習（ML）。特別是，隨著對隱私和個性化信息的要求和保護意識越來越嚴格，企業(yè)在尋找像聯(lián)邦學習這樣的技術，為物聯(lián)網(wǎng)和移動應用場景中的敏感信息提供更好的隱私保護。由于機器學習（ML）高度依賴訓練數(shù)據(jù)的質(zhì)量，常規(guī)的警告仍然是數(shù)據(jù)集中存在的漏洞和固有偏差。而開源工具優(yōu)勢就在于可以幫助建立算法如何解釋和處理數(shù)據(jù)的透明度。

"機器學習（ML）曾經(jīng)僅限于最高級的用戶和資源豐富的 IT 組織，但現(xiàn)在更公開更易用的模型和組件有助于降低準入門檻，使更多組織可以訪問機器學習（ML）體驗和解決方案。"思特沃克（Thoughtworks）首席技術官Rebecca Parsons博士表示，"建議組織也對更實用的場景持開放態(tài)度，在這些場景中，機器學習（ML）可以應用于運營、產(chǎn)品和服務以提高效率，而不僅僅是更具顛覆性的應用程序。"

第27期《技術雷達》的精彩主題包括：

• 機器學習的主流化：短短十幾年內(nèi)，機器學習已經(jīng)從一種高度專業(yè)技術化轉(zhuǎn)變?yōu)閹缀跞魏螕碛袛?shù)據(jù)和計算能力的人都可以做的事情。這是值得歡迎的——但行業(yè)必須能夠駕馭空間中工具和框架的擴散以及愈加明顯和緊迫的道德問題。
• "平臺即產(chǎn)品"的力量：特別是在授權開發(fā)人員方面，平臺可以是一個強大的東西。 然而，當它們沒有被正確地視為產(chǎn)品時，我們經(jīng)常會看到令人遺憾的結(jié)果——重要的是，平臺的構建和維護方式必須能夠響應和調(diào)解技術團隊和更廣泛組織的需求。
• 將數(shù)據(jù)所有權移至邊緣 ：在數(shù)據(jù)方面，中心化可能會產(chǎn)生限制。 然而，新技術和工具使得克服中心化挑戰(zhàn)變得更加容易，從技術和隱私的角度來看皆有優(yōu)勢。
• 移動端也應該模塊化：模塊化的好處眾所周知，但由于種種原因，它們還沒有在移動開發(fā)中得以利用?，F(xiàn)在就是作出改變得時機；我們相信，對移動應用采用模塊化方法不僅可以提高移動應用程序的質(zhì)量，還可以提高構建它們的體驗。

訪問thoughtworks.com/cn/radar，瀏覽互動版《技術雷達》或下載PDF版本。