为什么复杂性将在机器学习运营领域胜出

毫无疑问，机器学习操作 (MLOps) 是一个新兴领域。市场是 预计到 700 年将达到 2025 亿美元 ——几乎是 2020 年的四倍。 

尽管如此，尽管这些解决方案在技术上健全且强大，但并未产生预期的收入，这引发了人们对未来增长的担忧。 

我可以理解围绕该领域的悲观情绪，因为我职业生涯的前 20 年在一家受人尊敬的投资管理公司有效地构建了内部 MLOps 工具。 最近， 我投资了 MLOps 初创公司，但他们在实现我预期的收入水平方面进展缓慢。 根据我在 MLOps 方面的积极和消极经历，我理解为什么这些初创公司一直举步维艰，以及为什么他们现在已经做好了增长的准备。

MLOps 工具对于部署数据驱动模型和算法的公司至关重要。 如果您开发软件，您需要一些工具来诊断和预测软件问题，这些问题可能会导致您因软件故障而损失大量收入。 对于构建数据驱动解决方案的公司来说也是如此。 如果您没有足够的 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模型的预测性能与实际性能，那么您可能不应该在生产关键任务中使用模型。 

然而，在没有深厚知识和经验的情况下部署机器学习驱动解决方案的公司无法认识到对更复杂工具的需求，也不了解低级技术集成的价值。 他们对基于外部性的工具更加满意，即使它们的效率较低，因为它们的侵入性较小，并且如果工具不起作用，则采用成本和风险较低。 

相反，拥有更深入知识和经验的机器学习团队的公司相信他们可以在内部构建这些工具，而不想采用第三方解决方案。 此外，由 MLOps 工具的缺点导致的问题并不总是容易识别或诊断 - 表现为建模失败与操作失败。 结果是，部署基于机器学习的解决方案的公司，无论技术先进还是经验不足，采用起来都很缓慢。

但事情开始发生变化。 公司现在正在认识到复杂、深度集成的 MLOps 工具的价值。 他们要么因为没有这些工具而遇到问题，要么看到竞争对手在许多引人注目的失败中因缺少这些工具而遭受痛苦，现在被迫学习更复杂的 MLOps 解决方案。 

那些迄今为止熬过收入寒冬的 MLOps 公司应该会看到市场的解冻和销售机会的增长。 

销售肤浅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，但可以为客户提供更多的监控、调试和修复服务。 MLOps 软件开发人员应该坚信，从长远来看，构建能够以更深入、更彻底的方式解决问题的功能强大的软件将胜过能够立即带来回报但无法解决客户面临的全部问题的简单解决方案。