Perché la Sophistication Vincerà nel Settore delle Operazioni di Machine Learning

Non c’è dubbio che le operazioni di machine learning (MLOps) siano un settore in crescita. Il mercato è previsto raggiungere i 700 milioni di dollari entro il 2025 – quasi quattro volte quello del 2020.

Tuttavia, mentre sono tecnicamente validi e potenti, queste soluzioni non hanno generato il reddito previsto, il che ha sollevato preoccupazioni sulla crescita futura.

Posso capire il pessimismo che circonda questo settore, poiché ho trascorso i primi 20 anni della mia carriera costruendo efficacemente strumenti di MLOps interni in una prestigiosa società di gestione degli investimenti. Più recentemente, ho investito in startup di MLOps, ma hanno avuto difficoltà a raggiungere il livello di reddito che mi aspettavo. Sulla base di entrambe le mie esperienze positive e negative con MLOps, capisco perché queste startup hanno lottato e perché sono ora pronte per la crescita.

Gli strumenti di MLOps sono fondamentali per le aziende che distribuiscono modelli e algoritmi basati sui dati. Se si sviluppa software, è necessario avere strumenti che consentano di diagnosticare e prevedere problemi con il software che potrebbero causare la perdita di entrate significative a causa del suo fallimento. Lo stesso vale per le aziende che costruiscono soluzioni basate sui dati. Se non si hanno strumenti di MLOps adeguati per valutare i modelli, monitorare i dati, tenere traccia della deriva dei parametri del modello e delle prestazioni, e tenere traccia delle prestazioni previste e effettive dei modelli, allora probabilmente non si dovrebbero utilizzare modelli in compiti critici di produzione.

Tuttavia, le aziende che distribuiscono soluzioni guidate da ML senza una profonda conoscenza e esperienza non riconoscono la necessità di strumenti più sofisticati e non capiscono il valore dell’integrazione tecnica di basso livello. Sono più a loro agio con strumenti che operano su esternalità, anche se sono meno efficaci, poiché sono meno invasivi e rappresentano un costo di adozione e un rischio inferiori se gli strumenti non funzionano.

Al contrario, le aziende con team di ML che possiedono una conoscenza e un’esperienza più profonde credono di poter costruire questi strumenti in-house e non vogliono adottare soluzioni di terze parti. Inoltre, i problemi che derivano dalle carenze degli strumenti di MLOps non sono sempre facili da identificare o diagnosticare – appaiono come fallimenti di modellazione rispetto a fallimenti operativi. Il risultato è che le aziende che distribuiscono soluzioni basate su ML, sia tecnicamente sofisticate che inesperte, hanno avuto difficoltà ad adottare.

Ma le cose stanno iniziando a cambiare. Le aziende stanno ora riconoscendo il valore di strumenti di MLOps sofisticati e profondamente integrati. O hanno sperimentato problemi derivanti dalla mancanza di questi strumenti o hanno visto i concorrenti soffrire per la loro assenza in molti fallimenti di alto profilo, e ora sono costretti a imparare sulle soluzioni di MLOps più complesse.

Le aziende di MLOps che hanno superato l’inverno dei ricavi finora dovrebbero vedere un disgelo del mercato e una crescita delle opportunità di vendita.

Le aziende che vendono soluzioni superficiali inizieranno a perdere affari con soluzioni più integrate che sono più difficili da comprendere e adottare, ma forniscono più servizi di monitoraggio, debugging e risoluzione dei problemi per i loro clienti. Gli sviluppatori di software di MLOps dovrebbero mantenere la fiducia che costruire software potente che risolve problemi in modo più profondo e completo vincerà alla fine sulle soluzioni semplici che danno vantaggi immediati ma non risolvono l’intera gamma di problemi che i loro clienti stanno affrontando.