Чому складність переможе в секторі операцій з машинним навчанням

Не існує сумнівів, що операції з машинним навчанням (MLOps) – це швидко зростаючий сектор. Ринок має досягти 700 мільйонів доларів до 2025 року – майже в чотири рази більше, ніж у 2020 році.

Все ж таки, хоча ці рішення технічно правильні та потужні, вони не принесли очікуваного доходу, що викликало занепокоєння щодо майбутнього зростання.

Я можу зрозуміти песимізм, що оточує цю сферу, оскільки я провів перші 20 років своєї кар’єри, фактично будуючи внутрішні інструменти MLOps в відомій фірмі з управління інвестиціями. Нещодавно, я інвестував у стартапи MLOps, але вони були повільні у досягненні рівня доходу, який би я очікував. На основі як позитивного, так і негативного досвіду з MLOps, я розумію, чому ці стартапи боролися і чому вони тепер готуються до зростання.

Інструменти MLOps критично важливі для компаній, які розгортають моделі та алгоритми, засновані на даних. Якщо ви розробляєте програмне забезпечення, вам потрібні інструменти, які дозволяють діагностувати та передбачати проблеми з програмним забезпеченням, які можуть викликати втрату значного доходу через його відмову. Те ж саме стосується компаній, які будують рішення, засновані на даних. Якщо у вас немає достатніх інструментів MLOps для оцінки моделей, моніторингу даних, відстеження дрейфу параметрів моделі та продуктивності, а також відстеження передбачуваної та фактичної продуктивності моделей, то вам, ймовірно, не слід використовувати моделі в завданнях, критичних для виробництва.

Однак компанії, які розгортають рішення, засновані на машинному навчанні, без глибоких знань та досвіду, не визнають необхідність більш складних інструментів і не розуміють вартості низькорівневої технічної інтеграції. Вони більш комфортно відчувають себе з інструментами, які працюють на зовнішніх факторах, навіть якщо вони менш ефективні, оскільки вони менш інвазивні та представляють нижчу вартість прийняття та ризик, якщо інструменти не спрацюють.

Натомість компанії з командами машинного навчання, які володіють глибокими знаннями та досвідом, вважають, що вони можуть побудувати ці інструменти самостійно та не хочуть приймати рішення третіх сторін. Крім того, проблеми, які виникають через недоліки інструментів MLOps, не завжди легко визначити або діагностувати – вони виглядають як моделювання проти операційних невдач. Результатом є те, що компанії, які розгортають рішення, засновані на машинному навчанні, як технічно розвинені, так і без досвіду, були повільні у прийнятті.

Але речі починають змінюватися. Компанії тепер визнають вартість складних, глибоко інтегрованих інструментів MLOps.або вони пережили проблеми, які виникли через відсутність цих інструментів, або вони побачили, як їхні конкуренти страждають від їхньої відсутності у багатьох високопрофільних невдачах, і тепер змушені дізнаватися про більш складні рішення MLOps.

Ті компанії MLOps, які вижили у зимі доходів до цього моменту, повинні побачити відлигу ринку та зростання можливостей продажів.

Компанії, які продають поверхневі рішення, починають втрачати бізнес на користь більш інтегрованих рішень, які важче зрозуміти та прийняти, але забезпечують більше моніторингу, відладки та усунення проблем для своїх клієнтів. Розробники програмного забезпечення MLOps повинні зберігати віру в те, що побудова потужного програмного забезпечення, яке розв’язує проблеми більш глибоким і повним чином, переможе в довгостроковій перспективі над простими рішеннями, які дають негайні результати, але не розв’язують повний спектр проблем, з якими стикаються їхні клієнти.