Warum Sophistikation im Machine Learning Ops-Sektor obsiegen wird

Es besteht kein Zweifel, dass Machine Learning Operations (MLOps) ein wachsender Sektor ist. Der Markt wird voraussichtlich 700 Millionen Dollar im Jahr 2025 erreichen – fast viermal so viel wie im Jahr 2020.

Trotzdem haben diese Lösungen, obwohl technisch solide und leistungsfähig, nicht die erwarteten Umsätze generiert, was Bedenken hinsichtlich des zukünftigen Wachstums aufgeworfen hat.

Ich kann die Pessimismus um den Raum herum verstehen, da ich die ersten 20 Jahre meiner Karriere damit verbracht habe, interne MLOps-Tools bei einer renommierten Investmentmanagement-Firma aufzubauen. Kürzlich habe ich in MLOps-Startups investiert, aber sie haben sich als langsam erwiesen, um das Level an Umsatz zu erreichen, das ich erwartet hätte. Basierend auf meinen positiven und negativen Erfahrungen mit MLOps verstehe ich, warum diese Startups gestrauchelt sind und warum sie jetzt für Wachstum bereit sind.

MLOps-Tools sind für Unternehmen, die datengetriebene Modelle und Algorithmen einsetzen, von entscheidender Bedeutung. Wenn Sie Software entwickeln, benötigen Sie Tools, die es Ihnen ermöglichen, Probleme mit der Software zu diagnostizieren und vorherzusagen, die Ihnen bedeutende Umsätze verlieren lassen könnten, wenn sie fehlschlagen. Gleiches gilt für Unternehmen, die datengetriebene Lösungen entwickeln. Wenn Sie keine angemessenen MLOps-Tools für die Bewertung von Modellen, die Überwachung von Daten, die Verfolgung von Drift in Modellparametern und Leistung und die Verfolgung der vorhergesagten vs. tatsächlichen Leistung von Modellen haben, sollten Sie wahrscheinlich keine Modelle in produktionskritischen Aufgaben einsetzen.

Jedoch erkennen Unternehmen, die ML-getriebene Lösungen ohne tiefes Wissen und Erfahrung einsetzen, den Bedarf an diesen komplexeren Tools nicht und verstehen den Wert der niedrigstufigen technischen Integration nicht. Sie sind mit Tools zufrieden, die auf Externalitäten arbeiten, auch wenn sie weniger effektiv sind, da sie weniger invasiv sind und einen geringeren Adoptionskosten und Risiko darstellen, wenn die Tools nicht funktionieren.

Im Gegensatz dazu glauben Unternehmen mit ML-Teams, die über tieferes Wissen und Erfahrung verfügen, dass sie diese Tools intern aufbauen können und wollen keine externen Lösungen adoptieren. Zusätzlich sind die Probleme, die durch die Unzulänglichkeiten von MLOps-Tools entstehen, nicht immer leicht zu identifizieren oder zu diagnostizieren – sie erscheinen als Modell- anstelle von Operationsfehlern. Die Folge ist, dass Unternehmen, die ML-basierte Lösungen einsetzen, ob technisch versiert oder unerfahren, langsam bei der Adoption waren.

Aber die Dinge beginnen sich zu ändern. Unternehmen erkennen jetzt den Wert von komplexen, tief integrierten MLOps-Tools. Entweder haben sie Probleme erlebt, die durch das Fehlen dieser Tools entstanden sind, oder sie haben gesehen, wie Konkurrenten unter dem Fehlen dieser Tools in vielen hochkarätigen Fehlschlägen gelitten haben und sind jetzt gezwungen, sich über die komplexeren MLOps-Lösungen zu informieren.

Die MLOps-Unternehmen, die den Umsatzwinter bisher überstanden haben, sollten eine Erwärmung des Marktes und eine Zunahme der Verkaufschancen erleben.

Unternehmen, die oberflächliche Lösungen verkaufen, werden beginnen, Geschäfte an komplexere Lösungen zu verlieren, die schwerer zu verstehen und zu adoptieren sind, aber mehr Überwachungs-, Debugging- und Reparaturdienste für ihre Kunden bieten. MLOps-Software-Entwickler sollten daran glauben, dass das Aufbauen leistungsfähiger Software, die Probleme auf eine tiefere und umfassendere Weise löst, auf lange Sicht über einfache Lösungen siegen wird, die sofortige Gewinne bringen, aber nicht die gesamte Bandbreite der Probleme lösen, mit denen ihre Kunden konfrontiert sind.