Miksi monimutkaisuus voittaa koneoppimisen operaatioiden sektorilla

Ei ole epäilystä, että koneoppimisen operaatiot (MLOps) on kasvava ala. Markkinan on arvioitu kasvavan 700 miljoonaan dollariin vuoteen 2025 mennessä – lähes neljä kertaa enemmän kuin vuonna 2020.

Silti, vaikka teknisesti terveet ja voimakkaat, nämä ratkaisut eivät ole tuottaneet odotettua liikevaihtoa, mikä on herättänyt huolta tulevasta kasvusta.

Ymmärrän pessimismin tämän alan ympärillä, koska olen viettänyt urani ensimmäiset 20 vuotta tehden sisäisiä MLOps-työkaluja arvostetussa sijoitusjohtamisyrityksessä. Viimeaikaisemmin, olen sijoittanut MLOps-startupeihin, mutta ne ovat olleet hitaita saavuttamaan odotettua liikevaihtoa. Perustuen sekä positiivisiin että negatiivisiin kokemuksiini MLOps:stä, ymmärrän, miksi nämä start-upit ovat kamppailleet ja miksi he ovat nyt valmiit kasvamaan.

MLOps-työkalut ovat kriittisiä yrityksille, jotka käyttävät dataohjattuja malleja ja algoritmeja. Jos kehität ohjelmistoja, tarvitset työkaluja, jotka sallivat diagnostiikkaa ja ennustamista ongelmista, jotka voivat aiheuttaa merkittäviä tappioita ohjelmistojen epäonnistumisen vuoksi. Sama koskee yrityksiä, jotka kehittävät dataohjattuja ratkaisuja. Jos et ole tarpeeksi varma MLOps-työkaluista, joilla arvioidaan malleja, seurataan dataa, jäljitellään malliparametrien ja suorituskyvyn muutoksia ja seurataan ennustettua vs. todellista suorituskykyä, et pitäisi käyttää malleja tuotantokriittisissä tehtävissä.

Kuitenkin, yritykset, jotka käyttävät ML-ohjattuja ratkaisuja ilman syvää tietämystä ja kokemusta, eivät tunnusta tarvetta monimutkaisemmille työkaluille eivätkä ymmärrä matalan tason teknisen integraation arvoa. He ovat enemmän mukavia työkaluilla, jotka toimivat ulkoisuuksilla, vaikka ne ovat vähemmän tehokkaita, koska ne ovat vähemmän intrusiivisia ja edustavat alhaisempaa omaksumisen kustannusta ja riskiä, jos työkalut eivät toimi.

Toisaalta, yritykset, joilla on ML-tiimit, jotka omistavat syvemmän tietämyksen ja kokemuksen, uskovat, että he voivat rakentaa nämä työkalut itse eivätkä halua omaksua kolmannen osapuolen ratkaisuja. Lisäksi, ongelmat, jotka johtuvat MLOps-työkalujen puutteista, eivät aina ole helppoja tunnistaa tai diagnosoida – ne näyttäytyvät mallin vs. toiminnan virheinä. Lopputulos on, että yritykset, jotka käyttävät ML-pohjaisia ratkaisuja, ovat olleet hitaita omaksumaan.

Mutta asiat alkavat muuttua. Yritykset ovat nyt tunnistamassa monimutkaisten, syvään integroiden MLOps-työkalujen arvoa. Joko he ovat kokeneet ongelmia, jotka johtuvat näiden työkalujen puutteesta, tai he ovat nähneet kilpailijoiden kärsivän niiden puutteesta monissa huomattavissa epäonnistumisissa, ja heidät on nyt pakotettu oppimaan enemmän monimutkaisemmista MLOps-ratkaisuista.

Ne MLOps-yritykset, jotka ovat selvinneet tähän asti liikevaihdon talvesta, pitäisi nähdä markkinan lämmetessä ja myyntimahdollisuuksien kasvun.

Yritykset, jotka myyvät pintapuolisia ratkaisuja, alkavat menettää liikevaihtoa monimutkaisemmille ratkaisuille, jotka ovat vaikeampia ymmärtää ja omaksua, mutta tarjoavat enemmän seurantaa, vianetsintää ja korjaamista asiakkailleen. MLOps-ohjelmistokehittäjien pitäisi pitää uskoa, että voimakkaan ohjelmiston rakentaminen, joka ratkaisee ongelmia syvemmällä ja perusteellisemmalla tavalla, voittaa lopulta yksinkertaiset ratkaisut, jotka antavat välittömän hyödyn, mutta eivät ratkaise asiakkaiden kohtaamia ongelmia.