Pourquoi la sophistication va l’emporter dans le secteur des opérations d’apprentissage automatique

Il n’y a pas de doute que les opérations d’apprentissage automatique (MLOps) constituent un secteur en plein essor. Le marché devrait atteindre 700 millions de dollars d’ici 2025, soit près de quatre fois ce qu’il était en 2020.

Cependant, même si ces solutions sont techniquement solides et puissantes, elles n’ont pas généré les revenus attendus, ce qui a suscité des inquiétudes quant à la croissance future.

Je peux comprendre le pessimisme entourant ce secteur, car j’ai passé les 20 premières années de ma carrière à développer des outils internes de MLOps pour une société de gestion de placements réputée. Plus récemment, j’ai investi dans des startups de MLOps, mais elles ont mis du temps 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 eu du mal et pourquoi elles sont maintenant prêtes à croître.

Les outils de MLOps sont essentiels pour les entreprises qui déploient 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 de MLOps appropriés pour évaluer les modèles, surveiller les données, suivre les dérives des paramètres et des performances, et suivre les performances prévues par rapport aux performances réelles des modèles, alors vous ne devriez probablement pas utiliser de modèles pour des tâches critiques de production.

Cependant, les entreprises qui déploient des solutions basées sur l’apprentissage automatique sans connaissance et expérience approfondies ne reconnaissent pas la nécessité d’outils plus sophistiqués et ne comprennent pas la valeur de l’intégration technique de bas niveau. Ils sont plus à l’aise avec les 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 plus faibles si les outils ne fonctionnent pas.

Inversement, les entreprises dotées d’équipes d’apprentissage automatique 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 résultant des carences des outils de MLOps ne sont pas toujours faciles à identifier ou à diagnostiquer – ils apparaissent comme des défaillances de modélisation par rapport aux défaillances d’exploitation. Le résultat est que les entreprises qui déploient des solutions basées sur l’apprentissage automatique, qu’elles soient techniquement sophistiquées ou inexpérimentées, ont été lentes à adopter.

Mais les choses commencent à changer. Les entreprises commencent à reconnaître la valeur des outils de 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 nombreux échecs de haute visibilité, et elles sont maintenant obligées d’apprendre sur les solutions de MLOps plus complexes.

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

Les entreprises qui vendent des solutions superficielles commenceront à perdre des affaires au profit de 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 à leurs clients. Les développeurs de logiciels de MLOps devraient garder confiance que la construction de logiciels puissants qui résolvent des problèmes de manière plus approfondie et plus complète finira par l’emporter à long terme sur les solutions simples qui donnent des rendements immédiats mais ne résolvent pas l’ensemble des problèmes auxquels leurs clients sont confrontés.