Mengapa Kesempurnaan Akan Menang Dalam Sektor Machine Learning Ops

Tidak ada keraguan bahwa operasi pembelajaran mesin (MLOps) adalah sektor yang sedang berkembang. Pasar diproyeksikan untuk mencapai $700 juta pada tahun 2025 – hampir empat kali lipat dari apa yang ada pada tahun 2020. 

Namun, meskipun secara teknis solid dan kuat, solusi ini belum menghasilkan pendapatan yang diharapkan, yang telah menimbulkan kekhawatiran tentang pertumbuhan di masa depan. 

Saya dapat memahami pesimisme yang mengelilingi ruang ini, karena saya menghabiskan 20 tahun pertama karir saya dengan efektif membangun alat MLOps internal di sebuah perusahaan manajemen investasi yang terhormat. Lebih baru-baru ini, saya telah berinvestasi di startup MLOps, tetapi mereka telah lambat untuk mencapai tingkat pendapatan yang saya harapkan. Berdasarkan pengalaman positif dan negatif saya dengan MLOps, saya memahami mengapa startup ini telah bergelut dan mengapa mereka sekarang siap untuk tumbuh.

Alat MLOps sangat penting bagi perusahaan yang menerapkan model dan algoritma berbasis data. Jika Anda mengembangkan perangkat lunak, Anda memerlukan alat yang memungkinkan Anda untuk mendiagnosis dan memprediksi masalah dengan perangkat lunak yang dapat menyebabkan Anda kehilangan pendapatan yang signifikan karena kegagalannya. Hal yang sama berlaku untuk perusahaan yang membangun solusi berbasis data. Jika Anda tidak memiliki alat MLOps yang memadai untuk mengevaluasi model, memantau data, melacak pergeseran parameter dan kinerja model, dan melacak kinerja yang diprediksi vs. kinerja aktual model, maka Anda mungkin tidak harus menggunakan model dalam tugas-tugas kritis produksi. 

Namun, perusahaan yang menerapkan solusi yang digerakkan oleh ML tanpa pengetahuan dan pengalaman yang mendalam tidak mengenali kebutuhan akan alat yang lebih sempurna dan tidak memahami nilai integrasi teknis tingkat rendah. Mereka lebih nyaman dengan alat yang beroperasi pada eksternalitas, bahkan jika mereka kurang efektif, karena mereka kurang invasif dan mewakili biaya adopsi dan risiko yang lebih rendah jika alat tidak berhasil. 

Di sisi lain, perusahaan dengan tim ML yang memiliki pengetahuan dan pengalaman yang lebih dalam percaya bahwa mereka dapat membangun alat ini secara internal dan tidak ingin mengadopsi solusi pihak ketiga. Selain itu, masalah yang dihasilkan dari kekurangan alat MLOps tidak selalu mudah untuk diidentifikasi atau didiagnosis – muncul sebagai kegagalan pemodelan versus operasi. Hasilnya adalah perusahaan yang menerapkan solusi berbasis ML, baik yang canggih secara teknis maupun yang kurang berpengalaman, telah lambat untuk mengadopsi.

Tapi hal-hal mulai berubah. Perusahaan sekarang mengenali nilai alat MLOps yang sempurna dan terintegrasi secara mendalam. Mereka telah mengalami masalah yang dihasilkan dari tidak memiliki alat ini atau mereka telah melihat pesaing yang menderita dari ketidakhadiran mereka dalam banyak kegagalan profil tinggi, dan sekarang dipaksa untuk belajar tentang solusi MLOps yang lebih kompleks. 

Perusahaan MLOps yang telah selamat dari musim dingin pendapatan hingga saat ini seharusnya melihat pencairan pasar dan pertumbuhan kesempatan penjualan. 

Perusahaan yang menjual solusi superficial akan mulai kehilangan bisnis untuk solusi yang lebih terintegrasi yang lebih sulit untuk dipahami dan diadopsi, tetapi menyediakan lebih banyak layanan pemantauan, debugging, dan perbaikan untuk pelanggan mereka. Pengembang perangkat lunak MLOps seharusnya tetap percaya bahwa membangun perangkat lunak yang kuat yang memecahkan masalah dengan cara yang lebih mendalam dan menyeluruh akan menang dalam jangka panjang atas solusi sederhana yang memberikan hasil instan tetapi tidak memecahkan keseluruhan masalah yang dihadapi pelanggan mereka.