Por qué la sofisticación ganará en el sector de Machine Learning Ops

No hay duda de que las operaciones de aprendizaje automático (MLOps) son un sector en crecimiento. El mercado se proyecta que alcanzará los 700 millones de dólares para 2025 – casi cuatro veces lo que fue en 2020.

Sin embargo, aunque técnicamente sólidas y poderosas, estas soluciones no han generado los ingresos esperados, lo que ha generado preocupaciones sobre el crecimiento futuro.

Puedo entender el pesimismo que rodea el espacio, ya que pasé los primeros 20 años de mi carrera construyendo efectivamente herramientas de MLOps internas en una firma de gestión de inversiones de renombre. Más recientemente, he invertido en startups de MLOps, pero han sido lentas para alcanzar el nivel de ingresos que yo hubiera esperado. Basado en ambas mis experiencias positivas y negativas con MLOps, entiendo por qué estas startups han luchado y por qué ahora están en una posición de crecimiento.

Las herramientas de MLOps son fundamentales para las empresas que despliegan modelos y algoritmos basados en datos. Si desarrollas software, necesitas herramientas que te permitan diagnosticar y anticipar problemas con el software que podrían causarte pérdidas significativas debido a su falla. Lo mismo es cierto para las empresas que construyen soluciones basadas en datos. Si no tienes herramientas de MLOps adecuadas para evaluar modelos, monitorear datos, rastrear la deriva en parámetros y rendimiento de los modelos, y rastrear el rendimiento predicho versus real de los modelos, entonces probablemente no deberías estar utilizando modelos en tareas críticas de producción.

Sin embargo, las empresas que despliegan soluciones impulsadas por ML sin conocimiento y experiencia profundas no reconocen la necesidad de herramientas más sofisticadas y no entienden el valor de la integración técnica de bajo nivel. Están más cómodas con herramientas que operan en externalidades, incluso si son menos efectivas, ya que son menos intrusivas y representan un costo y riesgo de adopción más bajos si las herramientas no funcionan.

Por el contrario, las empresas con equipos de ML que poseen conocimiento y experiencia más profundos creen que pueden construir estas herramientas en casa y no quieren adoptar soluciones de terceros. Además, los problemas que resultan de las deficiencias de las herramientas de MLOps no siempre son fáciles de identificar o diagnosticar, y aparecen como fallos de modelado versus operaciones. El resultado es que las empresas que despliegan soluciones basadas en ML, ya sea que sean técnicamente sofisticadas o inexperimentadas, han sido lentas en adoptar.

Pero las cosas están empezando a cambiar. Las empresas ahora están reconociendo el valor de herramientas de MLOps sofisticadas y profundamente integradas. O han experimentado problemas como resultado de no tener estas herramientas o han visto a competidores sufrir por su ausencia en muchos fracasos de alto perfil, y ahora están siendo obligadas a aprender sobre las soluciones de MLOps más complejas.

Aquellas empresas de MLOps que han sobrevivido al invierno de ingresos hasta ahora deberían ver un deshielo del mercado y un crecimiento en las oportunidades de ventas.

Las empresas que venden soluciones superficiales comenzarán a perder negocios a soluciones más integradas que son más difíciles de entender y adoptar, pero brindan más servicios de monitoreo, depuración y remediación para sus clientes. Los desarrolladores de software de MLOps deberían mantener la fe de que construir software poderoso que resuelve problemas de manera más profunda y completa ganará en el largo plazo sobre soluciones simples que dan recompensas inmediatas pero no resuelven el problema completo que enfrentan sus clientes.