Hvorfor sofistikering vil vinne frem i maskinlæringssektoren

Det er ingen tvil om at maskinlæringsoperasjoner (MLOps) er en sektor i vekst. Markedet er anslått å nå $700 millioner innen 2025 – nesten fire ganger hva det var i 2020. 

Selv om disse løsningene er teknisk solide og kraftige, har de ikke generert de forventede inntektene, noe som har skapt bekymring for fremtidig vekst. 

Jeg kan forstå pessimismen rundt plassen, ettersom jeg brukte de første 20 årene av min karriere på å bygge interne MLOps-verktøy hos et anerkjent investeringsforvaltningsfirma. Mer nylig, Jeg har investert i MLOps-startups, men de har vært trege med å oppnå det inntektsnivået jeg ville ha forventet. Basert på både mine positive og negative erfaringer med MLOps, forstår jeg hvorfor disse startupene har slitt og hvorfor de nå er klar for vekst.

MLOps-verktøy er avgjørende for selskaper som implementerer datadrevne modeller og algoritmer. Hvis du utvikler programvare, trenger du verktøy som lar deg diagnostisere og forutse problemer med programvare som kan føre til at du mister meningsfulle inntekter på grunn av feil. Det samme gjelder for selskaper som bygger datadrevne løsninger. Hvis du ikke har tilstrekkelige MLOps-verktøy for evaluering av modeller, overvåking av data, sporing av drift i modellparametere og ytelse, og sporing av forutsagt kontra faktisk ytelse til modeller, bør du sannsynligvis ikke bruke modeller i produksjonskritiske oppgaver. 

Bedrifter som implementerer ML-drevne løsninger uten dyp kunnskap og erfaring anerkjenner imidlertid ikke behovet for de mer sofistikerte verktøyene og forstår ikke verdien av teknisk integrasjon på lavt nivå. De er mer komfortable med verktøy som opererer på eksternaliteter, selv om de er mindre effektive, siden de er mindre påtrengende og representerer en lavere brukskostnad og risiko hvis verktøyene ikke fungerer. 

Tvert imot, selskaper med ML-team som har dypere kunnskap og erfaring tror de kan bygge disse verktøyene internt og ikke ønsker å ta i bruk tredjepartsløsninger. I tillegg er problemene som er et resultat av MLOps-verktøyenes mangler, ikke alltid enkle å identifisere eller diagnostisere – de fremstår som modellerings- versus driftsfeil. Resultatet er at selskaper som implementerer ML-baserte løsninger, enten de er teknisk sofistikerte eller uerfarne, har vært trege med å ta i bruk.

Men ting begynner å endre seg. Bedrifter erkjenner nå verdien av sofistikerte, dypt integrerte MLOps-verktøy. Enten har de opplevd problemer som følge av å ikke ha disse verktøyene, eller så har de sett konkurrenter lide av deres fravær i mange høyprofilerte feil, og blir nå tvunget til å lære om de mer komplekse MLOps-løsningene. 

De MLOps-selskapene som har overlevd inntektsvinteren så langt bør se en opptining av markedet og en vekst i salgsmuligheter. 

Selskaper som selger overfladiske løsninger vil begynne å miste forretninger til mer integrerte løsninger som er vanskeligere å forstå og ta i bruk, men gir mer overvåking, feilsøking og utbedringstjenester for sine kunder. MLOps programvareutviklere bør ha troen på at det å bygge kraftig programvare som løser problemer på en dypere og mer grundig måte vil vinne frem i det lange løp over enkle løsninger som gir umiddelbar uttelling, men som ikke løser hele bredden av problemer kundene deres står overfor.