Pourquoi la sophistication l’emportera dans le secteur des opérations de machine learning

Il n’y a pas de doute que les opérations de machine learning (MLOps) constituent un secteur en plein essor. Le marché est prévu pour atteindre 700 millions de dollars d’ici 2025 – presque quatre fois ce qu’il était en 2020.

Cependant, bien que techniquement solides et puissants, ces solutions n’ont pas généré les revenus attendus, ce qui a suscité des inquiétudes quant à la croissance future.

Je peux comprendre le pessimisme entourant cet espace, car j’ai passé les 20 premières années de ma carrière à construire efficacement des outils internes MLOps dans une société de gestion de placements réputée. Plus récemment, j’ai investi dans des startups MLOps, mais elles ont été lentes à atteindre le niveau de revenus que j’aurais attendu. Sur la base de mes expériences positives et négatives avec les MLOps, je comprends pourquoi ces startups ont lutté et pourquoi elles sont maintenant prêtes à croître.

Les outils MLOps sont essentiels aux entreprises qui déployent des modèles et des algorithmes basés sur les données. Si vous développez des logiciels, vous avez besoin d’outils qui vous permettent de diagnostiquer et d’anticiper les problèmes avec les logiciels qui pourraient vous faire perdre des revenus importants en raison de leur défaillance. Il en va de même pour les entreprises qui construisent des solutions basées sur les données. Si vous n’avez pas d’outils MLOps appropriés pour évaluer les modèles, surveiller les données, suivre la dérive des paramètres et des performances des modèles, et suivre les performances prévues par rapport aux performances réelles des modèles, alors vous ne devriez probablement pas utiliser des modèles dans des tâches critiques de production.

Cependant, les entreprises qui déployent des solutions basées sur le machine learning sans connaissance et expérience approfondies ne reconnaissent pas le besoin d’outils plus sophistiqués et ne comprennent pas la valeur de l’intégration technique de bas niveau. Ils sont plus à l’aise avec des outils qui fonctionnent sur des externalités, même s’ils sont moins efficaces, car ils sont moins intrusifs et représentent un coût et un risque d’adoption inférieurs si les outils ne fonctionnent pas.

Inversement, les entreprises dotées d’équipes de machine learning qui possèdent une connaissance et une expérience plus approfondies pensent qu’elles peuvent construire ces outils en interne et ne veulent pas adopter des solutions tierces. De plus, les problèmes qui résultent des lacunes des outils MLOps ne sont pas toujours faciles à identifier ou à diagnostiquer – apparaissant comme des défaillances de modélisation par rapport aux défaillances d’exploitation. Le résultat est que les entreprises qui déployent des solutions basées sur le machine learning, qu’elles soient techniquement sophistiquées ou inexpérimentées, ont été lentes à adopter.

Mais les choses commencent à changer. Les entreprises reconnaissent maintenant la valeur des outils MLOps sophistiqués et profondément intégrés. Soit elles ont connu des problèmes résultant de l’absence de ces outils, soit elles ont vu des concurrents souffrir de leur absence dans de nombreuses défaillances de haute visibilité, et elles sont maintenant obligées d’apprendre sur les solutions MLOps plus complexes.

Les entreprises MLOps qui ont survécu à l’hiver des revenus jusqu’à présent devraient voir un dégel du marché et une augmentation des opportunités de vente.

Les entreprises qui vendent des solutions superficielles commenceront à perdre des affaires face à des solutions plus intégrées qui sont plus difficiles à comprendre et à adopter, mais qui offrent plus de services de surveillance, de débogage et de remédiation pour leurs clients. Les développeurs de logiciels MLOps devraient garder la foi que la construction de logiciels puissants qui résolvent des problèmes de manière plus profonde et plus approfondie l’emportera à long terme sur des solutions simples qui offrent des rendements immédiats mais ne résolvent pas la pleine ampleur des problèmes que leurs clients sont confrontés.