Proč sofistikovanost zvítězí v sektoru Machine Learning Ops

Není pochyb o tom, že operace strojového učení (MLOps) je sektor, který rychle roste. Trh by měl dosáhnout 700 milionů dolarů do roku 2025 – téměř čtyřnásobku toho, co to bylo v roce 2020. 

Stále však, zatímco technicky spolehlivé a silné, tyto řešení nevytvořila očekávaný příjem, což vyvolalo obavy o budoucí růst. 

Mohu pochopit pesimismus, který obklopuje tento prostor, protože jsem strávil prvních 20 let své kariéry budováním interních nástrojů MLOps ve vážené investiční manažerské firmě. Nedávno jsem investoval do startupů MLOps, ale byli pomalí v dosažení úrovně příjmu, kterou bych očekával. Na základě svých pozitivních i negativních zkušeností s MLOps rozumím, proč tyto startupy bojují a proč jsou nyní připraveny k růstu.

Nástroje MLOps jsou kritické pro společnosti, které nasazují datové modely a algoritmy. Pokud vyvíjíte software, potřebujete nástroje, které vám umožňují diagnostikovat a předpovídat problémy se softwarem, které by vám mohly způsobit ztrátu významného příjmu v důsledku jeho selhání. Totéž platí pro společnosti, které budují datové řešení. Pokud nemáte dostatečné nástroje MLOps pro hodnocení modelů, monitorování dat, sledování posunu parametrů a výkonu modelů a sledování předpovězeného versus skutečného výkonu modelů, pak byste pravděpodobně neměli používat modely v úkolech kritických pro produkci. 

Nicméně, společnosti nasazující řešení řízená umělou inteligencí bez hlubokých znalostí a zkušeností nepoznávají potřebu sofistikovanějších nástrojů a nerozumějí hodnotě nízkoúrovňové technické integrace. Jsou více pohodlné s nástroji, které fungují na externích faktorech, i když jsou méně účinné, protože jsou méně invazivní a představují nižší náklady na přijetí a riziko, pokud nástroje nefungují. 

Naopak, společnosti s týmy umělé inteligence, které mají hlubší znalosti a zkušenosti, se domnívají, že mohou tyto nástroje postavit interně a nechtějí přijmout třetí strany. Kromě toho problémy, které vyplývají z nedostatků nástrojů MLOps, nejsou vždy snadno identifikovatelné nebo diagnostikovatelné – objevují se jako modelovací versus operační selhání. Výsledkem je, že společnosti nasazující řešení založená na umělém inteligence, ať už technicky sofistikované nebo nezkušené, byly pomalé v přijetí.

Ale věci začínají měnit. Společnosti nyní rozpoznávají hodnotu sofistikovaných, hluboce integrovaných nástrojů MLOps. Buď zkušenosti s problémy, které vyplývají z absence těchto nástrojů, nebo viděli, jak jejich konkurenti trpí jejich absencí v mnoha vysokoprofilových selháních, a nyní jsou nuceni se učit o složitějších řešeních MLOps. 

Tyto společnosti MLOps, které přežily dosavadní zimní období příjmů, by měly vidět oteplení trhu a růst prodejních příležitostí. 

Společnosti prodávající povrchní řešení začnou ztrácet podnikání pro více integrovaná řešení, která jsou obtížněji pochopitelná a vyžadují více úsilí pro přijetí, ale poskytují více monitorovacích, diagnostických a opravárenských služeb pro své zákazníky. Vývojáři softwaru MLOps by měli udržet víru, že budování silného softwaru, který řeší problémy hlubším a komplexnějším způsobem, zvítězí v dlouhodobém horizontu nad jednoduchými řešeními, která poskytují okamžité výsledky, ale nevyřeší celou šíři problémů, kterým čelí jejich zákazníci.