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 lydhøre og kraftfulle, har disse løsningene ikke generert den forventede inntekten, noe som har våknet bekymringer om fremtidig vekst. 

Jeg kan forstå pessimismen omkring rommet, ettersom jeg tilbrakte de første 20 årene av min karriere med å bygge interne MLOps-verktøy i et anerkjent investeringsforvaltningsfirma. Mer nylig, har jeg investert i MLOps-startups, men de har vært langsommere til å oppnå det inntektsnivået jeg ville ha forventet. Basert på både mine positive og negative erfaringer med MLOps, forstår jeg hvorfor disse startupene 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 endring i modellparametere og ytelse, og spore den forventede vs. faktiske ytelsen til modellene, så bør du kanskje ikke bruke modeller i produksjonskritiske oppgaver. 

Likevel, selskaper som distribuerer ML-drevne løsninger uten dyp kunnskap og erfaring, anerkjenner ikke behovet for de mer sofistikerte verktøyene og forstår ikke verdien av den lav-nivå-tekniske integreringen. De er mer komfortable med verktøy som opererer på eksternaliteter, selv om de er mindre effektive, siden de er mindre invasive 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-verktøyens mangler ikke alltid lett å identifisere eller diagnostisere—som viser seg som modellering kontra operasjonsfeil. Resultatet er at selskaper som distribuerer ML-baserte løsninger, enten teknisk sofistikerte eller uerfarne, har vært langsommere til å adoptere.

Men ting begynner å endre seg. Selskaper anerkjenner nå verdien av sofistikerte, dyp-integrerte MLOps-verktøy. Enten har de opplevd problemer som resulterer fra mangelen på disse verktøyene eller har 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-selskapene 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 tilbyr mer overvåking, feilsøking og reparasjonstjenester for kundene sine. MLOps-programvare-utviklere bør holde troen på at bygging av kraftfulle programvare som løser problemer på en dypere og mer omfattende måte, vil vinne i det lange løp over enkle løsninger som gir umiddelbare utbetalinger, men som ikke løser det fullstendige spekteret av problemer kundene står overfor.