Hvorfor sofistikasjon vil vinne i maskinlæring-ops-sektoren

Det er ingen tvil om at maskinlæring-ops (MLOps) er en voksende sektor. Markedet er prognostisert å nå 700 millioner dollar i 2025 – nesten fire ganger hva det var i 2020.

Likevel, mens teknisk sett solide og kraftfulle, har disse løsningene ikke generert den forventede inntekten, noe som har våknet bekymringer om fremtidig vekst.

Jeg kan forstå pessimismen omkring dette området, siden jeg tilbrakte de første 20 årene av min karriere med å bygge interne MLOps-verktøy på et anerkjent investeringsforvaltningsfirma. Mer nylig, har jeg investert i MLOps-startups, men de har vært langsomme til å oppnå det nivået av inntekt som jeg ville ha forventet. Basert på både mine positive og negative erfaringer med MLOps, forstår jeg hvorfor disse startups har kjempet og hvorfor de nå er klar for vekst.

MLOps-verktøy er kritiske for selskaper som distribuerer data-drevne modeller og algoritmer. Hvis du utvikler programvare, trenger du verktøy som lar deg diagnostisere og forutse problemer med programvaren som kan føre til at du mister betydelig inntekt på grunn av dens feil. Det samme gjelder for selskaper som bygger data-drevne løsninger. Hvis du ikke har adekvate MLOps-verktøy for å evaluere modeller, overvåke data, spore drift i modellparametere og ytelse, og spore den forventede vs. faktiske ytelsen til modellene, bør du kanskje ikke bruke modeller i produksjonskritiske oppgaver.

Likevel, selskaper som distribuerer ML-drevne løsninger uten dyp kunnskap og erfaring, erkjenner ikke behovet for mer sofistikerte verktøy og forstår ikke verdien av lav-nivå teknisk integrasjon. De er mer komfortable med verktøy som opererer på eksterne faktorer, selv om de er mindre effektive, siden de er mindre invasiv og representerer en lavere adopsjonskostnad og risiko hvis verktøyene ikke fungerer.

På den andre siden, tror selskaper med ML-team som besitter dypere kunnskap og erfaring at de kan bygge disse verktøyene internt og ønsker ikke å adoptere tredjeparts-løsninger. I tillegg er problemene som resulterer fra MLOps-verktøyets mangler ikke alltid lett å identifisere eller diagnostisere – og kan se ut som modellering vs. operasjonelle feil. Resultatet er at selskaper som distribuerer ML-baserte løsninger, enten teknisk sofistikerte eller uerfarne, har vært langsomme til å adoptere.

Men ting begynner å endre seg. Selskaper begynner nå å erkjenne verdien av sofistikerte, dypt integrerte MLOps-verktøy. Enten har de opplevd problemer som resultat av mangelen på disse verktøyene, eller har de sett konkurrenter lide under deres fravær i mange høyprofilerte feil, og er nå tvunget til å lære om de mer komplekse MLOps-løsningene.

De MLOps-selskaper som har overlevd inntektsvinteren så langt, bør se en tining av markedet og en økning i salgsmuligheter.

Selskaper som selger overflatiske løsninger, vil begynne å tape forretninger til mer integrerte løsninger som er vanskeligere å forstå og adoptere, men som gir mer overvåking, feilsøking og reparasjonstjenester for sine kunder. MLOps-programvareutviklere bør holde troen på at bygging av kraftfulle programvareløsninger som løser problemer på en dypere og mer grundig måte, vil vinne i lengden over enkle løsninger som gir umiddelbare gevinst, men som ikke løser det fulle omfanget av problemer kundene deres møter.