Pse sofistikimi do të fitojë në sektorin e operacioneve të mësimit të makinerisë

Nuk ka dyshim se operacionet e mësimit të makinerive (MLOps) janë një sektor në rritje. Tregu është parashikohet të arrijë në 700 milionë dollarë deri në vitin 2025 – pothuajse katër herë sesa ishte në vitin 2020. 

Megjithatë, megjithëse teknikisht të shëndosha dhe të fuqishme, këto zgjidhje nuk kanë gjeneruar të ardhurat e pritura, gjë që ka ngritur shqetësime për rritjen e ardhshme. 

Unë mund ta kuptoj pesimizmin që rrethon hapësirën, pasi i kalova 20 vitet e para të karrierës sime në mënyrë efektive duke ndërtuar mjete të brendshme MLOps në një firmë me famë të menaxhimit të investimeve. Kohët e fundit, Unë kam investuar në startup-et MLOps, por ata kanë qenë të ngadalshëm për të arritur nivelin e të ardhurave që unë do të prisja. Bazuar në përvojat e mia pozitive dhe negative me MLOps, e kuptoj pse këto startup kanë luftuar dhe pse tani janë të gatshëm për rritje.

Mjetet MLOps janë kritike për kompanitë që vendosin modele dhe algoritme të drejtuara nga të dhënat. Nëse zhvilloni softuer, keni nevojë për mjete që ju lejojnë të diagnostikoni dhe parashikoni problemet me softuerin që mund t'ju bëjnë të humbni të ardhura domethënëse për shkak të dështimit të tij. E njëjta gjë është e vërtetë për kompanitë që ndërtojnë zgjidhje të bazuara në të dhëna. Nëse nuk keni mjete adekuate MLOps për vlerësimin e modeleve, monitorimin e të dhënave, gjurmimin e ndryshimit në parametrat dhe performancën e modelit dhe gjurmimin e performancës së parashikuar kundrejt asaj aktuale të modeleve, atëherë ndoshta nuk duhet të përdorni modele në detyra kritike për prodhimin. 

Megjithatë, kompanitë që vendosin zgjidhje të drejtuara nga ML pa njohuri dhe përvojë të thellë nuk e njohin nevojën për mjete më të sofistikuara dhe nuk e kuptojnë vlerën e integrimit teknik të nivelit të ulët. Ata janë më të rehatshëm me mjetet që funksionojnë mbi eksternalitetet, edhe nëse janë më pak efektive, pasi ato janë më pak ndërhyrëse dhe përfaqësojnë një kosto dhe rrezik më të ulët të adoptimit nëse mjetet nuk funksionojnë. 

Përkundrazi, kompanitë me ekipe ML që zotërojnë njohuri dhe përvojë më të thellë besojnë se mund t'i ndërtojnë këto mjete në shtëpi dhe nuk duan të miratojnë zgjidhje të palëve të treta. Për më tepër, problemet që rezultojnë nga mangësitë e mjeteve MLOps nuk janë gjithmonë të lehta për t'u identifikuar ose diagnostikuar - duke u shfaqur si modelim kundrejt dështimeve të operacioneve. Rezultati është se kompanitë që përdorin zgjidhje të bazuara në ML, qofshin ato teknikisht të sofistikuara apo të papërvojë, kanë qenë të ngadalta në miratimin e tyre.

Por gjërat kanë filluar të ndryshojnë. Kompanitë tani po e njohin vlerën e mjeteve të sofistikuara, të integruara thellë MLOps. Ose ata kanë përjetuar probleme që rezultojnë nga mungesa e këtyre mjeteve ose kanë parë konkurrentë që vuajnë nga mungesa e tyre në shumë dështime të profilit të lartë, dhe tani janë të detyruar të mësojnë për zgjidhjet më komplekse të MLOps. 

Ato kompani MLOps që i kanë mbijetuar dimrit të të ardhurave deri më tani duhet të shohin një shkrirje të tregut dhe një rritje në mundësitë e shitjeve. 

Kompanitë që shesin zgjidhje sipërfaqësore do të fillojnë të humbasin biznesin ndaj zgjidhjeve më të integruara që janë më të vështira për t'u kuptuar dhe miratuar, por ofrojnë më shumë shërbime monitorimi, korrigjimi dhe korrigjimi për klientët e tyre. Zhvilluesit e softuerit MLOps duhet të mbajnë besimin se ndërtimi i softuerit të fuqishëm që zgjidh problemet në një mënyrë më të thellë dhe më të plotë do të fitojë në planin afatgjatë mbi zgjidhjet e thjeshta që japin përfitime të menjëhershme, por nuk zgjidhin gjithë gjerësinë e problemeve me të cilat përballen klientët e tyre.