Proč sofistikovanost zvítězí v sektoru strojového učení

Není pochyb o tom, že operace strojového učení (MLOps) je rychle se rozvíjející sektor. Trh je Předpokládá se, že do roku 700 dosáhne 2025 milionů dolarů – téměř čtyřnásobek toho, co bylo v roce 2020. 

Přestože jsou tato řešení technicky správná a výkonná, negenerují očekávané příjmy, což vyvolává obavy z budoucího růstu. 

Chápu pesimismus obklopující tento prostor, protože jsem prvních 20 let své kariéry strávil efektivním budováním interních nástrojů MLOps u vážené společnosti pro správu investic. Poslední dobou, Investoval jsem do startupů MLOps, ale pomalu dosahovaly úrovně příjmů, kterou bych očekával. Na základě svých pozitivních i negativních zkušeností s MLOps chápu, proč tyto startupy mají problémy a proč jsou nyní připraveny k růstu.

Nástroje MLOps jsou zásadní pro společnosti, které nasazují modely a algoritmy založené na datech. Pokud vyvíjíte software, potřebujete nástroje, které vám umožní diagnostikovat a předvídat problémy se softwarem, které by mohly způsobit ztrátu smysluplných příjmů v důsledku jeho selhání. Totéž platí pro společnosti, které vytvářejí řešení založená na datech. Pokud nemáte adekvátní nástroje MLOps pro vyhodnocování modelů, monitorování dat, sledování posunu parametrů a výkonu modelu a sledování předpokládaného vs. skutečného výkonu modelů, pak byste pravděpodobně neměli používat modely v produkčně kritických úlohách. 

Společnosti nasazující řešení řízená ML bez hlubokých znalostí a zkušeností si však neuvědomují potřebu sofistikovanějších nástrojů a nechápou hodnotu technické integrace na nízké úrovni. Jsou pohodlnější s nástroji fungujícími na externalitách, i když jsou méně účinné, protože jsou méně rušivé a představují nižší náklady na přijetí a riziko, pokud nástroje nefungují. 

Naopak společnosti s týmy ML, které mají hlubší znalosti a zkušenosti, věří, že si tyto nástroje dokážou vytvořit interně, a nechtějí přijímat řešení třetích stran. Navíc problémy, které vyplývají z nedostatků nástrojů MLOps, není vždy snadné identifikovat nebo diagnostikovat – objevují se jako selhání modelování versus selhání operací. Výsledkem je, že společnosti, které nasazují řešení na bázi ML, ať už jsou technicky sofistikované nebo nezkušené, se s jejich zaváděním pomalu.

Ale věci se začínají měnit. Společnosti si nyní uvědomují hodnotu sofistikovaných, hluboce integrovaných nástrojů MLOps. Buď se setkali s problémy vyplývajícími z toho, že tyto nástroje nemají, nebo viděli konkurenty, kteří jejich absencí trpěli při mnoha významných selháních, a jsou nyní nuceni učit se o složitějších řešeních MLOps. 

Společnosti MLOps, které dosud přežily zimu tržeb, by měly zaznamenat tání trhu a růst prodejních příležitostí. 

Společnosti prodávající povrchní řešení začnou ztrácet podnikání ve prospěch integrovanějších řešení, která je obtížnější pochopit a přijmout, ale poskytují svým zákazníkům více služeb monitorování, ladění a nápravy. Vývojáři softwaru MLOps by si měli zachovat víru, že vytváření výkonného softwaru, který řeší problémy hlubším a důkladnějším způsobem, z dlouhodobého hlediska zvítězí nad jednoduchými řešeními, která se okamžitě vyplatí, ale nevyřeší celou šíři problémů, kterým jejich zákazníci čelí.