Det globale marked for MLOps (Machine Learning Operations), løsninger der hjælper dataforskere med at forenkle og optimere processer til implementering af maskinlæring, vil have an average annual growth of almost 45% by 2030. Projektionen blev lavet af forskningsfirmaet Valuates Reports, der estimerer et spring i værdien af segmentet på 186 USD,4 millioner, opnået i 2023, for US$ 3.6 bi. En af de vigtigste grunde til opvarmningen af dette marked kan være reduktionen af tiden til udvikling af prædiktive modeller. Vurderingen er af Carlos Relvas, Chief Data Scientist hos Datarisk, virksomhed specialiseret i brugen af kunstig intelligens til at skabe værdi i konceptet "beslutning som en tjeneste
Ifølge ham, for at udvikle lignende systemer med de traditionelle metoder, organisationer tager i gennemsnit mellem to til tre uger, afhængigt af sektorens kompleksitet.
"På den anden side", ved at bruge MLOps kan dataforskeren automatisere hele oprettelsesprocessen. Først udfører han hele træningsdelen af modellen ved hjælp af en automatisk maskinlæring, der tester algoritmer for at se, hvilken der fungerer bedst. I øjeblikket, forskeren kan også, hvis du vil, uploade en kode, som han allerede har, og gem alle dokumenter og alle koder, sikrer dermed beskyttelsen af dokumentationen for alle databaser. Succesen af MLOps skyldes, at det fjerner alle disse trin, hvor modelens skaber selv er ansvarlig og har alt, hvad han behøver for at gå fra start til slut i projektet, påstand
I 2024, Datarisk har lanceret en MLOps-løsning på markedet, der fokuserer på at betjene virksomheder, der er frontløbere inden for aktiviteter som kreditgivning, risiko for svindel, tilt mod på jobskifte, produktivitet i landbruget, blandt andet. Kun i løbet af det første halvår af dette år, værktøjet blev brugt til at udføre et volumen på over 10 millioner forespørgsler og, blandt de fordele, som brugerne af denne teknologi opnår, et af de største højdepunkter var netop tidsreduktionen. Med MLOps fra startupen, den gennemsnitlige frist på tre uger er faldet til et spørgsmål om timer
Carlos Relvas forklarer også at, efter at denne første træning er bygget, går der ind i et andet trin inden for Datarisks egen MLOps-platform, som er den del, hvor forskeren automatisk kan, han selv, oprette en API, så modellen kan bruges i eksterne miljøer. Den tredje fase, ifølge ham, det er styringen af løsningen. I denne fase, målet er at sikre, at denne model, der er blevet udviklet, trænet og bliver brugt fortsæt med at have en god præstation over tid. Værktøjet kan overvåge både brugen af dine applikationer og funktionen af API'erne for at sikre, at alt ikke kun fungerer som planlagt, men også muliggøre vurderingen af modellens kvalitet. Løsningen muliggør verificeringen, for eksempel, hvis der er en variabel, der har ændret sig over tid og sender advarsler til slutbrugeren, hvis modellen mister ydeevne, påstand
Markedsmodtageligheden og de prospekteringer, som Datarisk har foretaget, gør det muligt for virksomheden at forudse en vækst på over fem gange volumen af brugen af denne løsning inden udgangen af 2025
Medstifter og CEO for Datarisk, Jhonata Emerick, forklarer at ved at blive pioner i tilbuddet af løsninger inden for MLOps-konceptet i Brasilien, en startupen implementerer strategien om at modne og forbedre sine vigtigste forretningshypoteser. "Vi forstår dybere de behov, der er på markedet, og vi er nu klar til at tilbyde løsninger, der kan transformere virkeligheden for datavidenskab i landet på en absolut relevant måde", siger
Ifølge Emerick, i det specifikke tilfælde af udviklingen af prædiktive modeller, MLOps-løsninger opstår som svar på langsomme interne processer designet til en tid, hvor virksomheder ikke havde brug for at håndtere et datområde med den agilitet, der kræves i dag
Generelt anvendes IT-køsystemer, hvor data science-området færdiggør en model og overfører den til ingeniørområdet for at oprette en API. Denne, for sin del, det vil tage en betydelig tid at gøre din del, hvornår vil projektet så blive overdraget til kreditmotorholdet, for eksempel, for at han endelig implementerer denne API, hvad der vil føre til andre frister. Resultatet er, at, når modellen implementeres, situationen er allerede en anden. Derfor bliver MLOps-løsningen så effektiv, når det kommer til optimering, afslut
