Waarom Sophisticatie Zal Winnen in de Machine Learning Ops Sector

Er is geen twijfel dat machine learning operations (MLOps) een groeimarkt is. De markt wordt verwacht te groeien naar 700 miljoen dollar in 2025 – bijna vier keer zo veel als in 2020.

Toch, hoewel technisch solide en krachtig, hebben deze oplossingen niet het verwachte rendement gegenereerd, wat zorgen heeft gewekt over toekomstige groei.

Ik kan de pessimisme rondom deze sector begrijpen, aangezien ik de eerste 20 jaar van mijn carrière effectief interne MLOps-tools heb gebouwd bij een gerenommeerd beleggingsbeheerbedrijf. Onlangs heb ik in MLOps-startups geïnvesteerd, maar ze hebben moeite gehad om het niveau van omzet te bereiken dat ik had verwacht. Op basis van zowel mijn positieve als negatieve ervaringen met MLOps, begrijp ik waarom deze startups hebben gesteggeld en waarom ze nu klaar zijn voor groei.

MLOps-tools zijn essentieel voor bedrijven die gegevensgestuurde modellen en algoritmes inzetten. Als u software ontwikkelt, heeft u tools nodig die u helpen om problemen met software te diagnosticeren en te voorspellen die u kunnen kosten als gevolg van falen. Hetzelfde geldt voor bedrijven die gegevensgestuurde oplossingen bouwen. Als u geen adequate MLOps-tools heeft voor het evalueren van modellen, het monitoren van gegevens, het volgen van drift in modelparameters en -prestaties, en het volgen van de voorspelde versus daadwerkelijke prestaties van modellen, dan zou u deze modellen waarschijnlijk niet moeten gebruiken in productie-kritieke taken.

Maar bedrijven die ML-gedreven oplossingen inzetten zonder diepe kennis en ervaring, herkennen de behoefte aan meer geavanceerde tools niet en begrijpen de waarde van de lage-niveau-technische integratie niet. Zij geven de voorkeur aan tools die werken op externaliteiten, zelfs als ze minder effectief zijn, omdat ze minder intrusief zijn en een lagere adoptiekosten en risico vertegenwoordigen als de tools niet werken.

Integendeel, bedrijven met ML-teams die diepe kennis en ervaring bezitten, denken dat ze deze tools zelf kunnen bouwen en willen geen derdepartij-oplossingen aannemen. Bovendien zijn de problemen die voortkomen uit de tekortkomingen van MLOps-tools niet altijd gemakkelijk te identificeren of te diagnosticeren – ze verschijnen als model- versus operations-fouten. Het resultaat is dat bedrijven die ML-gebaseerde oplossingen inzetten, ofwel technisch gesofisticeerd of onervaren, langzaam zijn om te adopteren.

Maar dingen beginnen te veranderen. Bedrijven beginnen nu de waarde van geavanceerde, diep geïntegreerde MLOps-tools te erkennen. Ofwel hebben ze problemen ondervonden als gevolg van het ontbreken van deze tools, ofwel hebben ze gezien dat hun concurrenten lijden onder hun afwezigheid in veel hoogprofielfouten, en worden ze nu gedwongen om te leren over de meer complexe MLOps-oplossingen.

De MLOps-bedrijven die de revenuwinter tot nu toe hebben overleefd, zullen een dooiing van de markt en een groei van verkoopkansen zien.

Bedrijven die oppervlakkige oplossingen verkopen, zullen beginnen om zaken te verliezen aan meer geïntegreerde oplossingen die moeilijker te begrijpen en te adopteren zijn, maar die meer monitoring-, debugging- en hersteldiensten bieden voor hun klanten. MLOps-softwareontwikkelaars moeten het vertrouwen behouden dat het bouwen van krachtige software die problemen op een diepere en grondigere manier oplost, op lange termijn zal winnen van eenvoudige oplossingen die onmiddellijke rendementen opleveren, maar niet de volledige breedte van problemen oplossen die hun klanten tegenkomen.