Perché la Sophisticazione Vincerà nel Settore delle Operazioni di Apprendimento Automatico

Non c’è dubbio che le operazioni di apprendimento automatico (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 tecnicamente validi e potenti, queste soluzioni non hanno generato il ricavo atteso, 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 MLOps interni in una prestigiosa società di gestione degli investimenti. Più recentemente, ho investito in startup MLOps, ma hanno avuto difficoltà a raggiungere il livello di ricavi che mi aspettavo. Sulla base delle mie esperienze positive e negative con MLOps, capisco perché queste startup hanno lottato e perché sono ora pronte per la crescita.

Gli strumenti 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 ricavi significativi a causa del suo fallimento. Lo stesso vale per le aziende che costruiscono soluzioni basate sui dati. Se non si dispone di strumenti MLOps adeguati per valutare i modelli, monitorare i dati, tenere traccia della deriva dei parametri del modello e delle prestazioni e tracciare le prestazioni previste e reali dei modelli, allora probabilmente non si dovrebbero utilizzare modelli in compiti critici di produzione.

Tuttavia, le aziende che distribuiscono soluzioni guidate da ML senza conoscenze e esperienze approfondite 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 e un rischio di adozione inferiori se gli strumenti non funzionano.

Al contrario, le aziende con team di ML che possiedono conoscenze e esperienze più approfondite ritengono di poter costruire questi strumenti internamente e non vogliono adottare soluzioni di terze parti. Inoltre, i problemi che derivano dalle carenze degli strumenti MLOps non sono sempre facili da identificare o diagnosticare – appaiono come fallimenti di modellazione rispetto ai fallimenti operativi. Il risultato è che le aziende che distribuiscono soluzioni basate su ML, sia tecnicamente sofisticate che inesperte, hanno adottato lentamente.

Ma le cose stanno iniziando a cambiare. Le aziende stanno ora riconoscendo il valore di strumenti 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 MLOps più complesse.

Le aziende MLOps che sono sopravvissute all’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 a favore di soluzioni più integrate che sono più difficili da comprendere e adottare, ma forniscono più servizi di monitoraggio, debug e risoluzione per i loro clienti. Gli sviluppatori di software 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.