Miksi monimutkaisuus voittaa koneoppimisen operaatioiden sektorilla

Ei ole epäilystäkään, että koneoppimisen operaatiot (MLOps) on kasvava ala. Markkinan on arvioitu kasvavan 700 miljoonaan dollariin vuoteen 2025 mennessä – lähes neljä kertaa sen, mitä se oli vuonna 2020. 

Silti, vaikka teknisesti vahvat ja tehokkaat, nämä ratkaisut eivät ole tuottaneet odotettua liikevaihtoa, mikä on herättänyt huolia tulevasta kasvusta. 

Ymmärrän pessimismin ympäröivän alan, koska olen viettänyt 20 ensimmäistä vuotta urallani rakentamalla sisäisiä MLOps-työkaluja arvostetussa sijoitusjohtamisyrityksessä. Viimeaikaisemmin, olen sijoittanut MLOps-startupeihin, mutta ne ovat olleet hitaita saavuttamaan odotettua liikevaihtoa. Sekä myönteisten että kielteisten kokemusteni perusteella MLOps-alalla, 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 mahdollistavat ongelmien diagnosoinnin ja ennakoinnin ohjelmistossa, joka voi aiheuttaa merkittäviä tappioita sen epäonnistumisen vuoksi. Sama koskee yrityksiä, jotka kehittävät dataohjattuja ratkaisuja. Jos et ole tarpeeksi hyviä MLOps-työkaluja arvioidaksesi malleja, seuraamaan dataa, jäljittämään muutoksia malliparametreissa ja suorituskyvyssä sekä seuraamaan ennustettua ja todellista suorituskykyä, et pitäisi käyttää malleja tuotantokriittisissä tehtävissä. 

Kuitenkin yritykset, jotka käyttävät ML-ohjattuja ratkaisuja ilman syvää tietämystä ja kokemusta, eivät tunnusta monimutkaisten työkalujen tarvetta 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 omaksumiskustannusta 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 ja toiminnan epäonnistumina. Lopputulos on, että yritykset, jotka käyttävät ML-pohjaisia ratkaisuja, ovat olleet hitaita omaksumaan. 

Mutta asiat alkavat muuttua. Yritykset tunnustavat nyt monimutkaisten, syvään integroiden MLOps-työkalujen arvon. Joko he ovat kokeneet ongelmia, jotka johtuvat näiden työkalujen puutteesta, tai he ovat nähneet kilpailijoiden kärsivän niiden puutteesta monissa huomattavissa epäonnistumisissa, ja heidän on nyt pakko oppia monimutkaisemmista MLOps-ratkaisuista. 

Ne MLOps-yritykset, jotka ovat selvinneet tähänastisesta liikevaihdon talvesta, pitäisi nähdä markkinan lämmetessä ja myyntimahdollisuuksien kasvavan. 

Yritykset, jotka myyvät pintapuolisia ratkaisuja, alkavat menettää liikevaihtoa monimutkaisemmille ratkaisuille, jotka ovat vaikeampia ymmärtää ja omaksua, mutta tarjoavat enemmän valvontaa, virheenjäljitystä ja korjauspalveluita asiakkailleen. MLOps-ohjelmistokehittäjien pitäisi pitää uskoaan, että voimallisen ohjelmiston rakentaminen, joka ratkaisee ongelmia syvemmin ja perusteellisemmin, voittaa lopulta yksinkertaiset ratkaisut, jotka antavat välittömän hyödyn, mutta eivät ratkaise asiakkaiden kohtaamia ongelmia.