Die wêreldwye MLOps (Masjienleerbedrywighede) mark, oplossings wat datawetenskaplikes help om implementeringsprosesse van masjienleer te vereenvoudig en te optimaliseer, sal teen 'n gemiddelde jaarlikse groei van byna 45% tot 2030 wees. Die voorspelling is gemaak deur die navorsingsmaatskappy Valuates Reports, wat 'n sprong in die waarde van die segment van US$ 186,4 miljoen, wat in 2023 bereik is, na US$ 3,6 miljard skat. Een van die hoofredes vir die verhit van hierdie mark kan wees die afname in tydsduur vir die ontwikkeling van voorspellende modelle. Die beoordeling is van Carlos Relvas, Hoof Data Scientist van Datarisk, 'n maatskappy wat spesialiseer in die gebruik van kunsmatige intelligensie om waarde te skep in die konsepbesluit as 'n diens”.
Volgens hom neem dit tussen twee en drie weke, afhangende van die kompleksiteit van die sektor, vir organisasies om soortgelyke stelsels te ontwikkel met tradisionele metodes.
“Aan die ander kant, wanneer MLOps gebruik word, kan die datawetenskaplike die hele skeppingsproses outomatiseer. Eerstens doen dit al die modelopleiding deur outomatiese masjienleer wat algoritmes toets om te sien watter een die beste werk. Op hierdie stadium kan die wetenskaplike ook, as hy wil, 'n kode oplaai wat hy reeds het en al die dokumente en al die kodes stoor en sodoende die beskerming van die dokumentasie van al die databasisse verseker. Die sukses van MLOps is te danke aan die feit dat dit al hierdie stappe uitskakel, met die modelskepper wat self verantwoordelik is en alles het wat hy nodig het om van die begin tot die einde van die projek te gaan”, sê hy.
In 2024, Datarisk het 'n MLOps-oplossing op die mark bekendgestel, gefokus op die dien van toonaangewende maatskappye in aktiwiteite soos kredietverlening, bedrogrisiko, geneigdheid tot werkverandering, produktiwiteit in die landbou, onder andere. Net die eerste helfte van hierdie jaar is die instrument gebruik vir meer as 10 miljoen navrae, en een van die grootste voordele vir gebruikers van hierdie tegnologie was juis die vermindering van tyd. Met MLOps van die opstart het gemiddelde tydperk van drie weke tot 'n kwessie van ure gedaal.
Carlos Relvas verduidelik ook dat nadat die eerste opleiding voltooi is, 'n tweede fase binne die Datarisk se MLOps-platform ingaan, waarin die wetenskaplike self, outomaties, 'n API vir die model kan skep om in eksterne omgewings gebruik te word. Die derde fase, volgens hom, is die bestuur van die oplossing. In hierdie fase is die doel om te verseker dat hierdie model wat ontwikkel, opgelei en gebruik word, aanhou goeie prestasie lewer oor tyd. "Die gereedskap kan beide die gebruik van u toepassings en die werking van die API's monitor om nie net te verseker dat alles volgens die program werk nie, maar ook om die kwaliteit van die model te meet. Die oplossing maak dit moontlik om te verifieer, byvoorbeeld, of daar enige veranderlikes oor tyd verander het, en stuur waarskuwings aan die eindgebruiker indien die model prestasie verloor," sê hy.
Die mark se ontvanklikheid en die vooruitsigte wat Datarisk gemaak het, stel die maatskappy in staat om teen die einde van 2025 groei van meer as vyf keer die gebruiksvolume van hierdie oplossing te projekteer.
Die Mede-vennoot en CEO van Datarisk, Jhonata Emerick, verduidelik dat die maatskappy, deur die eerste te wees wat oplossings in die MLOps-konsep in Brasilië aanbied, die strategie van die ontwikkeling en verfyning van sy belangrikste sake-teorieë in die praktyk bring. "Ons verstaan die tekortkominge van die mark dieper en is nou gereed om oplossings aan te bied wat die realiteit van datawetenskap in die land op 'n buitengewoon relevante wyse kan transformeer," sê hy.
Volgens Emerick, in die spesifieke geval van die ontwikkeling van voorspellende modelle, kom MLOps-oplossings na vore as 'n reaksie op stadige interne prosesse wat ontwerp is vir 'n tyd toe maatskappye nie nodig gehad het om 'n datagebied te bestuur met die behendigheid wat tans vereis word nie.
“IT-toustelsels word oor die algemeen aangeneem waarin die datawetenskap-area klaar 'n model skep en dit aan die ingenieursarea deurgee om 'n API te skep. Dit sal op sy beurt 'n aansienlike hoeveelheid tyd neem om sy deel te doen, wanneer dit dan byvoorbeeld die projek aan die kredietenjinspan sal deurgee, sodat dit uiteindelik hierdie API kan implementeer, wat tot ander sperdatums sal lei. Die gevolg is dat wanneer die model geïmplementeer word, die situasie anders is. Dit is hoekom die MLOps-oplossing so effektief is in terme van optimalisering,” sluit hy af.
