Γιατί οι προηγμένες λύσεις θα επικρατήσουν στον τομέα MLOps

Δεν υπάρχει αμφιβολία ότι η λειτουργική διαχείριση συστημάτων μηχανικής μάθησης (MLOps) είναι ένας ταχέως αναπτυσσόμενος κλάδος. Η αγορά προβλέπεται να φτάσει τα 700 εκατομμύρια δολάρια μέχρι το 2025 – σχεδόν τέσσερις φορές περισσότερο από ό,τι ήταν το 2020.

Ωστόσο, ενώ οι λύσεις αυτές είναι τεχνικά σωστές και ισχυρές, δεν έχουν παράγει τα αναμενόμενα έσοδα, γεγονός που έχει δημιουργήσει ανησυχίες για την μελλοντική ανάπτυξη.

Μπορώ να κατανοήσω την απαισιοδοξία που περιβάλλει τον χώρο, καθώς πέρασα τα πρώτα 20 χρόνια της καριέρας μου αναπτύσσοντας εσωτερικά εργαλεία MLOps σε μια αξιόλογη εταιρεία διαχείρισης επενδύσεων. Πιο πρόσφατα, επένδυσα σε startups MLOps, αλλά ήταν αργές να επιτύχουν το επίπεδο εσόδων που θα περίμενα. Βασισμένος και στις θετικές και στις αρνητικές εμπειρίες μου με τα MLOps, κατανοώ γιατί αυτά τα startups έχουν δυσκολευτεί και γιατί είναι τώρα έτοιμα για ανάπτυξη.

Τα εργαλεία MLOps είναι κρίσιμα για τις εταιρείες που αναπτύσσουν μοντέλα και αλγόριθμους βασισμένα σε δεδομένα. Αν αναπτύσσετε λογισμικό, χρειάζεστε εργαλεία που σας επιτρέπουν να διαγνώσετε και να προβλέψετε προβλήματα με το λογισμικό που θα μπορούσαν να σας κοστίσουν σημαντικά έσοδα λόγω της αποτυχίας τους. Το ίδιο ισχύει και για τις εταιρείες που αναπτύσσουν λύσεις βασισμένες σε δεδομένα. Αν δεν έχετε επαρκή εργαλεία MLOps για την αξιολόγηση μοντέλων, την παρακολούθηση δεδομένων, την παρακολούθηση της μετατόπισης των παραμέτρων και της απόδοσης των μοντέλων και την παρακολούθηση της προβλεπόμενης και της πραγματικής απόδοσης των μοντέλων, τότε πιθανότατα δεν πρέπει να χρησιμοποιείτε μοντέλα σε κρίσιμες εργασίες.

Ωστόσο, οι εταιρείες που αναπτύσσουν λύσεις βασισμένες σε μηχανική μάθηση χωρίς βαθιά γνώση και εμπειρία δεν αναγνωρίζουν την ανάγκη για πιο σοφιστικέ εργαλεία και δεν κατανοούν την αξία της χαμηλού επιπέδου τεχνικής ενσωμάτωσης. Είναι πιο άνετοι με εργαλεία που λειτουργούν σε εξωτερικούς παράγοντες, ακόμη και αν είναι λιγότερο αποτελεσματικά, καθώς είναι λιγότερο ενοχλητικά και αντιπροσωπεύουν χαμηλότερο κόστος υιοθέτησης και ρίσκο αν τα εργαλεία δεν δουλεύουν.

Αντίθετα, οι εταιρείες με ομάδες μηχανικής μάθησης που κατέχουν βαθιά γνώση και εμπειρία πιστεύουν ότι μπορούν να αναπτύξουν αυτά τα εργαλεία εσωτερικά και δεν θέλουν να υιοθετήσουν λύσεις τρίτων. Επιπλέον, τα προβλήματα που προκύπτουν από τις ελλείψεις των εργαλείων MLOps δεν είναι πάντα εύκολο να αναγνωριστούν ή να διαγνωστούν – εμφανίζονται ως αποτυχίες μοντελοποίησης ή λειτουργικών αποτυχιών. Το αποτέλεσμα είναι ότι οι εταιρείες που αναπτύσσουν λύσεις βασισμένες σε μηχανική μάθηση, είτε είναι τεχνικά εξειδικευμένες είτε ανειδίκευτες, καθυστέρησαν να υιοθετήσουν τέτοια εργαλεία.

Αλλά τα πράγματα αρχίζουν να αλλάζουν. Οι εταιρείες τώρα αναγνωρίζουν την αξία των σοφιστικέ και βαθιά ενσωματωμένων εργαλείων MLOps. Ή έχουν βιώσει προβλήματα που προκύπτουν από την απουσία αυτών των εργαλείων ή έχουν δει ανταγωνιστές να πλήττονται από την απουσία τους σε πολλές υψηλού προφίλ αποτυχίες και τώρα αναγκάζονται να μάθουν για τις πιο σύνθετες λύσεις MLOps.

Οι εταιρείες MLOps που έχουν επιβιώσει από το χειμώνα των εσόδων μέχρι τώρα αναμένεται να δουν ανάκαμψη της αγοράς και μια αύξηση των ευκαιριών πωλήσεων.

Οι εταιρείες που πωλούν επιφανειακές λύσεις θα αρχίσουν να χάνουν επιχειρήσεις σε πιο ενσωματωμένες λύσεις που είναι πιο δύσκολο να κατανοηθούν και να υιοθετηθούν, αλλά παρέχουν περισσότερες υπηρεσίες παρακολούθησης, αποσφαλμάτωσης και επιδιόρθωσης για τους πελάτες τους. Οι προγραμματιστές λογισμικού MLOps πρέπει να κρατήσουν την πίστη ότι η κατασκευή ισχυρού λογισμικού που λύνει προβλήματα με έναν βαθύτερο και πληρέστερο τρόπο θα κερδίσει στο μακρότερο χρονικό διάστημα πάνω από τις απλές λύσεις που δίνουν άμεσες απολαβές αλλά δεν λύνουν το πλήρες εύρος των προβλημάτων που αντιμετωπίζουν οι πελάτες τους.