Por que a Sofisticação Vai Prevalecer no Setor de Operações de Aprendizado de Máquina

Não há dúvida de que as operações de aprendizado de máquina (MLOps) são um setor em crescimento. O mercado é projetado para atingir $700 milhões até 2025 – quase quatro vezes o que era em 2020. 

Ainda, embora tecnicamente sólidas e poderosas, essas soluções não geraram a receita esperada, o que levantou preocupações sobre o crescimento futuro. 

Posso entender o pessimismo em torno do setor, pois passei os primeiros 20 anos da minha carreira construindo efetivamente ferramentas internas de MLOps em uma renomada empresa de gestão de investimentos. Mais recentemente, eu invisti em startups de MLOps, mas elas foram lentas em atingir o nível de receita que eu esperava. Com base em minhas experiências positivas e negativas com MLOps, entendo por que essas startups lutaram e por que agora estão prontas para crescer.

As ferramentas de MLOps são críticas para as empresas que implantam modelos e algoritmos baseados em dados. Se você desenvolve software, você precisa de ferramentas que permitam diagnosticar e antecipar problemas com software que possam causar perda de receita significativa devido à sua falha. O mesmo é verdade para as empresas que constroem soluções baseadas em dados. Se você não tiver ferramentas de MLOps adequadas para avaliar modelos, monitorar dados, acompanhar a deriva nos parâmetros e no desempenho do modelo e acompanhar o desempenho previsto versus o real dos modelos, então você provavelmente não deve usar modelos em tarefas críticas de produção. 

No entanto, as empresas que implantam soluções impulsionadas por ML sem conhecimento e experiência profundos não reconhecem a necessidade de ferramentas mais sofisticadas e não entendem o valor da integração técnica de baixo nível. Elas estão mais confortáveis com ferramentas que operam em externalidades, mesmo que sejam menos eficazes, desde que sejam menos intrusivas e representem um menor custo e risco de adoção se as ferramentas não funcionarem. 

Por outro lado, as empresas com equipes de ML que possuem conhecimento e experiência mais profundos acreditam que podem construir essas ferramentas internamente e não querem adotar soluções de terceiros. Além disso, os problemas que resultam das deficiências das ferramentas de MLOps não são sempre fáceis de identificar ou diagnosticar – aparecendo como falhas de modelagem versus operações. O resultado é que as empresas que implantam soluções baseadas em ML, seja tecnicamente sofisticadas ou inexperientes, têm sido lentas em adotar.

Mas as coisas estão começando a mudar. As empresas agora estão reconhecendo o valor de ferramentas de MLOps sofisticadas e profundamente integradas. Ou elas experimentaram problemas resultantes da falta dessas ferramentas ou viram concorrentes sofrendo com a falta delas em muitos fracassos de alto perfil, e agora estão sendo forçadas a aprender sobre as soluções de MLOps mais complexas. 

As empresas de MLOps que sobreviveram ao inverno de receita até agora devem ver um degelo do mercado e um crescimento nas oportunidades de vendas. 

As empresas que vendem soluções superficiais começarão a perder negócios para soluções mais integradas que são mais difíceis de entender e adotar, mas fornecem mais serviços de monitoramento, depuração e remediação para seus clientes. Os desenvolvedores de software de MLOps devem manter a fé de que construir software poderoso que resolve problemas de forma mais profunda e completa vai prevalecer no longo prazo sobre soluções simples que dão recompensas imediatas, mas não resolvem a amplitude completa de problemas que seus clientes enfrentam.