为什么复杂性将在机器学习运营领域占据优势

毫无疑问，机器学习运营（MLOps）是一个蓬勃发展的领域。市场预计到2025年将达到7亿美元——几乎是2020年的四倍。

尽管从技术上来说这些解决方案是完善的和强大的，但它们并没有产生预期的收入，这引发了人们对未来增长的担忧。

我可以理解人们对这个领域的悲观态度，因为我在一家著名的投资管理公司度过了职业生涯的前20年，基本上是在构建内部的MLOps工具。最近，我投资了MLOps初创公司，但它们在实现我预期的收入水平方面进展缓慢。基于我在MLOps领域的正面和负面经验，我理解为什么这些初创公司苦苦挣扎，以及为什么它们现在正处于增长的门槛上。

MLOps工具对于部署数据驱动模型和算法的公司至关重要。如果你开发软件，你需要工具来诊断和预测软件可能导致你因其故障而损失大量收入的问题。对于构建数据驱动解决方案的公司也是如此。如果你没有足够的MLOps工具来评估模型、监控数据、跟踪模型参数和性能的漂移以及跟踪预测与实际性能之间的差异，那么你可能不应该在生产关键任务中使用模型。

然而，部署ML驱动解决方案但没有深入知识和经验的公司并不认识到需要更复杂的工具，也不理解低级技术集成的价值。他们更喜欢操作外部性的工具，即使这些工具的效果较差，因为它们的入侵性较低，采用成本和风险也较低，如果工具不能正常工作。

相反，拥有ML团队并拥有更深入知识和经验的公司认为他们可以内部构建这些工具，并不想采用第三方解决方案。另外，MLOps工具的缺陷导致的问题并不总是容易识别或诊断——表现为建模与运营失败。结果是，无论是否具有技术专长，部署ML基于解决方案的公司都在采用方面进展缓慢。

但事情正在开始改变。公司现在认识到复杂、深度集成的MLOps工具的价值。他们要么已经经历了没有这些工具导致的问题，要么已经看到竞争对手在许多高调失败中遭受了这些工具的缺乏，现在他们被迫学习更复杂的MLOps解决方案。

到目前为止幸存下来的MLOps公司应该会看到市场的解冻和销售机会的增长。

销售表面解决方案的公司将开始失去业务，转向更集成的解决方案，这些解决方案更难理解和采用，但为客户提供更多的监控、调试和补救服务。MLOps软件开发人员应该坚信，构建能够以更深入和更彻底的方式解决问题的强大软件，最终将在长期内胜过简单的解决方案，这些解决方案可以带来立即的回报，但不能解决客户面临的全部问题。