Hvorfor Sophistication Vil Vinde I Maskinlæringsoperationer Sektor

Der er ingen tvivl om, at maskinlæringsoperationer (MLOps) er en voksende sektor. Markedet er projiceret til at nå 700 millioner dollars i 2025 – næsten fire gange det, det var i 2020.

Alligevel, mens teknisk set solide og kraftfulde, har disse løsninger ikke genereret den forventede omsætning, hvilket har været årsag til bekymring om fremtidig vækst.

Jeg kan forstå pessimismen omkring området, da jeg har brugt de første 20 år af min karriere på at bygge interne MLOps-værktøjer i et anerkendt investeringsmanagement-firma. Mere nylig, har jeg investeret i MLOps-startups, men de har været langsomme til at opnå det niveau af omsætning, som jeg ville have forventet. Baseret på både mine positive og negative erfaringer med MLOps, forstår jeg, hvorfor disse startups har kæmpet og hvorfor de nu er parat til vækst.

MLOps-værktøjer er afgørende for virksomheder, der implementerer data-drevne modeller og algoritmer. Hvis du udvikler software, har du brug for værktøjer, der tillader dig at diagnosticere og forudse problemer med software, der kan føre til, at du mister betydelig omsætning på grund af dens fejl. Det samme gælder for virksomheder, der bygger data-drevne løsninger. Hvis du ikke har tilstrækkelige MLOps-værktøjer til at evaluere modeller, overvåge data, spore drift i modellens parametre og præstation, og spore den forventede vs. faktiske præstation af modeller, så bør du sandsynligvis ikke bruge modeller i produktionskritiske opgaver.

Men virksomheder, der implementerer ML-drevne løsninger uden dyb viden og erfaring, erkender ikke behovet for de mere avancerede værktøjer og forstår ikke værdien af den lav-niveau-tekniske integration. De er mere komfortable med værktøjer, der opererer på eksternaliteter, selvom de er mindre effektive, da de er mindre indtrængende og repræsenterer en lavere adoptionsomkostning og risiko, hvis værktøjerne ikke fungerer.

På den anden side mener virksomheder med ML-hold, der besidder dybere viden og erfaring, at de kan bygge disse værktøjer internt og ønsker ikke at adoptere tredjeparts-løsninger. Derudover er problemerne, der resulterer fra MLOps-værktøjers mangler, ikke altid lette at identificere eller diagnosticere – de fremstår som modellering vs. operationsfejl. Resultatet er, at virksomheder, der implementerer ML-baserede løsninger, uanset om de er teknisk sofistikerede eller uerfarne, har været langsomme til at adoptere.

Men tingene er begyndt at ændre sig. Virksomheder erkender nu værdien af avancerede, dybt integrerede MLOps-værktøjer. Enten har de oplevet problemer som følge af manglen på disse værktøjer, eller de har set konkurrenter lide under deres fravær i mange højtprofilerede fejl, og de er nu tvunget til at lære om de mere komplekse MLOps-løsninger.

De MLOps-virksomheder, der har overlevet omsætningsvinteren indtil nu, skal se en afsmeltning af markedet og en stigning i salgsmuligheder.

Virksomheder, der sælger overfladiske løsninger, vil begynde at tabe forretning til mere integrerede løsninger, der er sværere at forstå og adoptere, men som tilbyder mere overvågning, fejlfinding og korrektionstjenester for deres kunder. MLOps-softwareudviklere skal fastholde troen på, at bygning af kraftfuld software, der løser problemer på en dybere og mere omfattende måde, vil vinde i længden over simple løsninger, der giver umiddelbare afkast, men ikke løser det fulde omfang af problemer, deres kunder står overfor.