Dlaczego wyrafinowanie zwycięży w sektorze Machine Learning Ops

Nie ma wątpliwości, że operacje machine learning (MLOps) to dynamicznie rozwijający się sektor. Rynek ma osiągnąć wartość 700 milionów dolarów do 2025 roku – prawie czterokrotnie więcej niż w 2020 roku. 

Jednakże, pomimo tego, że są one technicznie poprawne i potężne, rozwiązania te nie wygenerowały oczekiwanego przychodu, co wywołało obawy dotyczące przyszłego wzrostu. 

Mogę zrozumieć pesymizm otaczający ten obszar, ponieważ spędziłem pierwsze 20 lat swojej kariery na budowaniu wewnętrznych narzędzi MLOps w renomowanym przedsiębiorstwie zarządzania inwestycjami. Ostatnio, zainwestowałem w startupy MLOps, ale były one wolne w osiąganiu poziomu przychodu, jaki oczekiwałem. Na podstawie moich pozytywnych i negatywnych doświadczeń z MLOps, rozumiem, dlaczego te startupy miałby trudności i dlaczego są teraz przygotowane do wzrostu.

Narzędzia MLOps są kluczowe dla firm wdrażających modele i algorytmy oparte na danych. Jeśli rozwijasz oprogramowanie, potrzebujesz narzędzi, które pozwalają ci diagnozować i przewidywać problemy z oprogramowaniem, które mogą spowodować znaczne straty z powodu awarii. To samo dotyczy firm, które budują rozwiązania oparte na danych. Jeśli nie masz odpowiednich narzędzi MLOps do oceny modeli, monitorowania danych, śledzenia dryfu parametrów modelu i jego wydajności, oraz śledzenia przewidywanej i rzeczywistej wydajności modeli, to prawdopodobnie nie powinieneś używać modeli w zadaniach krytycznych dla produkcji. 

Jednak firmy wdrażające rozwiązania oparte na ML bez głębokiej wiedzy i doświadczenia nie rozpoznają potrzeby bardziej zaawansowanych narzędzi i nie rozumieją wartości niskopoziomowej integracji technicznej. Są one bardziej komfortowe z narzędziami działającymi na zewnętrzności, nawet jeśli są one mniej skuteczne, ponieważ są mniej inwazyjne i reprezentują niższy koszt i ryzyko w przypadku, gdy narzędzia nie spełniają oczekiwań. 

Z drugiej strony, firmy z zespołami ML, które posiadają głębszą wiedzę i doświadczenie, uważają, że mogą budować te narzędzia we własnym zakresie i nie chcą przyjmować rozwiązań zewnętrznych. Ponadto, problemy wynikające z niedostatków narzędzi MLOps nie zawsze są łatwe do zidentyfikowania lub zdiagnozowania – pojawiają się jako błędy modelowania a nie operacyjne. W efekcie, firmy wdrażające rozwiązania oparte na ML, niezależnie od tego, czy są one technicznie wyrafinowane, czy niedoświadczone, były wolne w przyjmowaniu. 

Jednak sytuacja zaczyna się zmieniać. Firmy zaczynają rozpoznawać wartość zaawansowanych, głęboko zintegrowanych narzędzi MLOps. Albo doświadczyły one problemów wynikających z braku tych narzędzi, albo zobaczyły, jak konkurenci cierpią z powodu ich braku w wielu przypadkach, i teraz są zmuszone uczyć się o bardziej złożonych rozwiązaniach MLOps. 

Te firmy MLOps, które przetrwały dotychczasowy „zimowy” okres przychodu, powinny doświadczyć ożywienia rynku i wzrostu możliwości sprzedaży. 

Firmy sprzedające powierzchowne rozwiązania zaczną tracić biznes na rzecz bardziej zintegrowanych rozwiązań, które są trudniejsze do zrozumienia i przyjęcia, ale zapewniają więcej usług monitorowania, debugowania i naprawy dla swoich klientów. Deweloperzy oprogramowania MLOps powinni zachować wiarę, że budowanie potężnego oprogramowania, które rozwiązuje problemy w głębszy i bardziej wszechstronny sposób, zwycięży w dłuższej perspektywie nad prostymi rozwiązaniami, które dają natychmiastowe efekty, ale nie rozwiązują pełnego zakresu problemów, z którymi borykają się ich klienci.