Miksi hienostuneisuus voittaa koneoppimistoimialalla

Ei ole epäilystäkään siitä, että koneoppimistoiminnot (MLOps) on kasvava ala. Markkinat ovat ennustetaan nousevan 700 miljoonaan dollariin vuoteen 2025 mennessä – lähes neljä kertaa enemmän kuin vuonna 2020. 

Vaikka nämä ratkaisut ovat teknisesti järkeviä ja tehokkaita, ne eivät kuitenkaan ole tuottaneet odotettua tuloa, mikä on herättänyt huolta tulevasta kasvusta. 

Ymmärrän tilaa ympäröivän pessimismin, sillä vietin urani ensimmäiset 20 vuotta rakentaen tehokkaasti sisäisiä MLOps-työkaluja arvostetussa sijoitusyhtiössä. Viime aikoina Olen sijoittanut MLOps-startup-yrityksiin, mutta ne ovat olleet hitaita saavuttaneet odottamani tulotason. Sekä positiivisten että negatiivisten MLOps-kokemusteni perusteella ymmärrän, miksi näillä startup-yrityksillä on ollut vaikeuksia ja miksi ne ovat nyt valmiita kasvuun.

MLOps-työkalut ovat kriittisiä yrityksille, jotka käyttävät tietopohjaisia ​​malleja ja algoritmeja. Jos kehität ohjelmistoja, tarvitset työkaluja, joiden avulla voit diagnosoida ja ennakoida ohjelmistoon liittyviä ongelmia, jotka voivat aiheuttaa merkittävien tulojen menetyksen sen epäonnistumisen vuoksi. Sama koskee yrityksiä, jotka rakentavat tietopohjaisia ​​ratkaisuja. Jos sinulla ei ole riittäviä MLOps-työkaluja mallien arvioimiseen, tietojen seurantaan, mallin parametrien ja suorituskyvyn poikkeamien seurantaan sekä mallien ennustetun ja todellisen suorituskyvyn seuraamiseen, sinun ei todennäköisesti pitäisi käyttää malleja tuotantokriittisissä tehtävissä. 

Yritykset, jotka ottavat käyttöön ML-pohjaisia ​​ratkaisuja ilman syvällistä tietoa ja kokemusta, eivät kuitenkaan ymmärrä kehittyneempien työkalujen tarvetta eivätkä ymmärrä matalan tason teknisen integraation arvoa. He pitävät paremmin ulkoisvaikutuksiin vaikuttavista työkaluista, vaikka ne olisivat vähemmän tehokkaita, koska ne ovat vähemmän häiritseviä ja aiheuttavat pienemmät käyttöönottokustannukset ja riskit, jos työkalut eivät toimi. 

Päinvastoin, yritykset, joilla on ML-tiimejä, joilla on syvempää tietoa ja kokemusta, uskovat pystyvänsä rakentamaan nämä työkalut itse, eivätkä halua ottaa käyttöön kolmannen osapuolen ratkaisuja. Lisäksi MLOps-työkalujen puutteista johtuvia ongelmia ei aina ole helppo tunnistaa tai diagnosoida – ne ilmenevät mallinnuksen ja toiminnan epäonnistumisena. Tuloksena on, että ML-pohjaisia ​​ratkaisuja käyttävät yritykset, olivatpa ne teknisesti kehittyneitä tai kokemattomia, ovat olleet hitaita.

Mutta asiat alkavat muuttua. Yritykset ymmärtävät nyt kehittyneiden, syvästi integroitujen MLOps-työkalujen arvon. He ovat joko kokeneet ongelmia, jotka johtuvat näiden työkalujen puuttumisesta, tai he ovat nähneet kilpailijoiden kärsivän niiden puuttumisesta monissa korkean profiilin vioissa, ja heidän on nyt pakko oppia monimutkaisemmista MLOps-ratkaisuista. 

Niiden MLOps-yritysten, jotka ovat selvinneet tulotalven toistaiseksi, pitäisi nähdä markkinoiden sulaminen ja myyntimahdollisuuksien kasvu. 

Pinnallisia ratkaisuja myyvät yritykset alkavat menettää liiketoimintaansa integroidummille ratkaisuille, joita on vaikeampi ymmärtää ja ottaa käyttöön, mutta jotka tarjoavat asiakkailleen enemmän seuranta-, virheenkorjaus- ja korjauspalveluita. MLOps-ohjelmistokehittäjien tulee uskoa, että tehokkaan ohjelmiston rakentaminen, joka ratkaisee ongelmat syvemmällä ja perusteellisemmin, voittaa pitkällä aikavälillä yksinkertaisista ratkaisuista, jotka tuottavat välittömät hyödyt, mutta eivät ratkaise kaikkia asiakkaiden kohtaamia ongelmia.