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, den erwarteten Umsatz nicht generiert, was Bedenken hinsichtlich des zukünftigen Wachstums aufgeworfen hat. 

Ich kann die Pessimismus um den Sektor herum verstehen, da ich die ersten 20 Jahre meiner Karriere damit verbracht habe, interne MLOps-Tools bei einem renommierten Investment-Management-Unternehmen aufzubauen. Kürzlich habe ich in MLOps-Startups investiert, aber sie haben sich als langsam erwiesen, um das Niveau des Umsatzes zu erreichen, den ich erwartet hätte. Basierend auf meinen positiven und negativen Erfahrungen mit MLOps verstehe ich, warum diese Startups Schwierigkeiten hatten und warum sie jetzt für das 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 Umsatzeinbußen durch deren Ausfall verursachen könnten. 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 für produktionskritische Aufgaben verwenden. 

Allerdings erkennen Unternehmen, die ML-getriebene Lösungen ohne tiefes Wissen und Erfahrung einsetzen, den Bedarf an den komplexeren Tools nicht und verstehen den Wert der tiefen technischen Integration nicht. Sie sind mit Tools, die auf Externalitäten arbeiten, wohler, auch wenn sie weniger effektiv sind, da sie weniger invasiv sind und ein geringeres Adoptionsrisiko 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- vs. Betriebsfehler. Die Folge ist, dass Unternehmen, die ML-basierte Lösungen einsetzen, ob technisch versiert oder unerfahren, langsam mit der Adoption waren.

Aber die Dinge beginnen sich zu ändern. Unternehmen erkennen nun 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 Wettbewerber unter ihrem Fehlen in vielen hochkarätigen Fehlschlägen litten, und werden nun gezwungen, sich mit den komplexeren MLOps-Lösungen auseinanderzusetzen. 

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

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