Varför sofistikation kommer att vinna i Machine Learning Ops-sektorn

Det råder ingen tvekan om att maskinläringsoperationer (MLOps) är en växande sektor. Marknaden förväntas nå 700 miljoner dollar år 2025 – nästan fyra gånger så mycket som det var 2020.

Ändå har dessa lösningar, trots att de är tekniskt korrekta och kraftfulla, inte genererat den förväntade intäkten, vilket har väckt oro över framtida tillväxt.

Jag kan förstå pessimismen kring området, eftersom jag tillbringade de första 20 åren av min karriär med att bygga interna MLOps-verktyg på ett ansedd investeringsförvaltningsföretag. Mer nyligen har jag investerat i MLOps-startups, men de har varit långsamma att uppnå den nivå av intäkt som jag hade förväntat mig. Baserat på både mina positiva och negativa erfarenheter av MLOps förstår jag varför dessa startups har kämpat och varför de nu är redo för tillväxt.

MLOps-verktyg är avgörande för företag som distribuerar datastyrd modeller och algoritmer. Om du utvecklar programvara behöver du verktyg som tillåter dig att diagnostisera och förutse problem med programvara som kan orsaka betydande förlust på grund av dess fel. Detsamma gäller för företag som bygger datastyrd lösningar. Om du inte har tillräckliga MLOps-verktyg för att utvärdera modeller, övervaka data, spåra avvikelse i modellparametrar och prestanda, och spåra den förutsagda vs. faktiska prestandan hos modellerna, då bör du förmodligen inte använda modeller i produktionskritiska uppgifter.

Men företag som distribuerar ML-styrd lösningar utan djup kunskap och erfarenhet känner inte igen behovet av mer sofistikerade verktyg och förstår inte värdet av den lågnivåtekniska integrationen. De är mer bekväma med verktyg som fungerar på yttre faktorer, även om de är mindre effektiva, eftersom de är mindre intrusiva och representerar en lägre antagningskostnad och risk om verktygen inte fungerar.

Å andra sidan tror företag med ML-lag som besitter djupare kunskap och erfarenhet att de kan bygga dessa verktyg internt och vill inte anta tredjeparts lösningar. Dessutom är problemen som uppstår från MLOps-verktygens brister inte alltid lätta att identifiera eller diagnostisera – de visar sig som modellering kontra driftsproblem. Resultatet är att företag som distribuerar ML-baserade lösningar, oavsett om de är tekniskt sofistikerade eller oerfarna, har varit långsamma att anta.

Men saker och ting börjar förändras. Företag börjar nu inse värdet av sofistikerade, djupt integrerade MLOps-verktyg. Antingen har de upplevt problem som härrör från att inte ha dessa verktyg eller har de sett konkurrenter som lider av deras frånvaro i många högprofilerade misslyckanden, och tvingas nu att lära sig om de mer komplexa MLOps-lösningarna.

De MLOps-företag som har överlevt intäktsvintern hittills bör se en upptining av marknaden och en ökning av försäljningsmöjligheter.

Företag som säljer ytliga lösningar kommer att börja förlora affärer till mer integrerade lösningar som är svårare att förstå och anta, men som erbjuder mer övervakning, felsökning och åtgärder för sina kunder. MLOps-programvaruutvecklare bör behålla tron att bygga kraftfull programvara som löser problem på ett djupare och mer genomgående sätt kommer att vinna i längden över enkla lösningar som ger omedelbara vinster men inte löser den fulla bredden av problem som deras kunder står inför.