Tại Sao Sự Phức Tạp Sẽ Thắng Trong Lĩnh Vực Hoạt Động Máy Học

Không có câu hỏi nào về việc hoạt động máy học (MLOps) là một lĩnh vực đang phát triển. Thị trường được dự đoán sẽ đạt 700 triệu đô la vào năm 2025 – gần bốn lần so với năm 2020.

Tuy nhiên, mặc dù về mặt kỹ thuật và mạnh mẽ, những giải pháp này vẫn chưa tạo ra doanh thu như mong đợi, điều này đã gây ra lo ngại về sự tăng trưởng trong tương lai.

Tôi có thể hiểu được sự bi quan xung quanh lĩnh vực này, vì tôi đã dành 20 năm đầu tiên trong sự nghiệp xây dựng các công cụ MLOps nội bộ tại một công ty quản lý đầu tư danh tiếng. Gần đây, tôi đã đầu tư vào các công ty khởi nghiệp MLOps, nhưng họ đã chậm đạt được mức doanh thu mà tôi mong đợi. Dựa trên cả kinh nghiệm tích cực và tiêu cực với MLOps, tôi hiểu tại sao những công ty khởi nghiệp này đã gặp khó khăn và tại sao họ hiện đang sẵn sàng cho sự tăng trưởng.

Các công cụ MLOps là rất quan trọng đối với các công ty triển khai mô hình và thuật toán dựa trên dữ liệu. Nếu bạn phát triển phần mềm, bạn cần các công cụ cho phép bạn chẩn đoán và dự đoán các vấn đề với phần mềm có thể gây ra mất doanh thu đáng kể do sự thất bại của nó. Điều tương tự cũng áp dụng cho các công ty xây dựng giải pháp dựa trên dữ liệu. Nếu bạn không có các công cụ MLOps phù hợp để đánh giá mô hình, giám sát dữ liệu, theo dõi sự thay đổi của các tham số và hiệu suất mô hình, và theo dõi hiệu suất dự đoán so với thực tế của mô hình, thì bạn có thể không nên sử dụng mô hình trong các nhiệm vụ quan trọng về sản xuất.

Tuy nhiên, các công ty triển khai giải pháp dựa trên máy học mà không có kiến thức và kinh nghiệm sâu sắc không nhận ra nhu cầu về các công cụ phức tạp hơn và không hiểu giá trị của việc tích hợp kỹ thuật cấp thấp. Họ cảm thấy thoải mái hơn với các công cụ hoạt động trên các yếu tố bên ngoài, ngay cả khi chúng ít hiệu quả hơn, vì chúng ít xâm phạm và đại diện cho chi phí và rủi ro thấp hơn nếu các công cụ không hoạt động.

Ngược lại, các công ty có đội ngũ máy học có kiến thức và kinh nghiệm sâu sắc tin rằng họ có thể xây dựng các công cụ này nội bộ và không muốn áp dụng các giải pháp của bên thứ ba. Ngoài ra, các vấn đề phát sinh từ sự thiếu hụt của các công cụ MLOps không luôn dễ dàng xác định hoặc chẩn đoán – xuất hiện như sự thất bại của mô hình so với hoạt động. Kết quả là các công ty triển khai giải pháp dựa trên máy học, dù có kiến thức sâu sắc về kỹ thuật hay không có kinh nghiệm, đã chậm trong việc áp dụng.

Tuy nhiên, mọi thứ đang bắt đầu thay đổi. Các công ty hiện đang nhận ra giá trị của các công cụ MLOps phức tạp và tích hợp sâu. Hoặc họ đã trải qua các vấn đề phát sinh từ việc không có các công cụ này, hoặc họ đã thấy các đối thủ cạnh tranh gặp phải sự thiếu hụt của các công cụ này trong nhiều thất bại nổi bật, và hiện đang bị buộc phải tìm hiểu về các giải pháp MLOps phức tạp hơn.

Những công ty MLOps đã sống sót qua “mùa đông doanh thu” cho đến nay sẽ thấy sự tan băng của thị trường và sự tăng trưởng trong cơ hội bán hàng.

Các công ty bán giải pháp bề mặt sẽ bắt đầu mất doanh thu vào các giải pháp tích hợp hơn, khó hiểu và áp dụng hơn, nhưng cung cấp nhiều dịch vụ giám sát, gỡ lỗi và khắc phục hơn cho khách hàng. Các nhà phát triển phần mềm MLOps nên giữ niềm tin rằng xây dựng phần mềm mạnh mẽ giải quyết vấn đề một cách sâu sắc và toàn diện sẽ thắng trong dài hạn so với các giải pháp đơn giản mang lại lợi ích ngay lập tức nhưng không giải quyết toàn bộ vấn đề mà khách hàng đang đối mặt.