Der globale Markt für MLOps (Machine Learning Operations), Lösungen, die Datenwissenschaftlern helfen, Prozesse zur Implementierung von maschinellem Lernen zu vereinfachen und zu optimieren, wird bis 2030 ein durchschnittliches jährliches Wachstum von fast 45% haben. Die Prognose wurde von der Marktforschungsfirma Valuates Reports erstellt, der einen Anstieg der Bewertung des Segments um 186 US-Dollar schätzt,4 Millionen, erreicht im Jahr 2023, für 3 US-Dollar.6 bi. Eine der Hauptursachen für die Erwärmung dieses Marktes könnte die Verkürzung der Frist für die Entwicklung von prädiktiven Modellen sein. Die Bewertung stammt von Carlos Relvas, Leitender Datenwissenschaftler bei Datarisk, Unternehmen, das auf die Nutzung von künstlicher Intelligenz spezialisiert ist, um Wert im Konzept zu schaffenEntscheidung als Dienstleistung
Laut ihm, um ähnliche Systeme mit traditionellen Methoden zu entwickeln, Organisationen benötigen im Durchschnitt zwei bis drei Wochen, je nach Komplexität des Sektors.
"Im Gegenzug", Durch die Verwendung von MLOps kann der Data Scientist den gesamten Prozess der Erstellung automatisieren. Zuerst führt er den gesamten Teil des Modelltrainings durch ein automatisches maschinelles Lernen durch, das Algorithmen testet, um herauszufinden, welcher am besten funktioniert. In diesem Moment, der Wissenschaftler kann auch, wenn du willst, einen eigenen Code hochladen und alle Dokumente und alle Codes speichern, dadurch wird der Schutz der Dokumentation aller Datenbanken gewährleistet. Der Erfolg von MLOps liegt darin, dass es all diese Schritte eliminiert, wobei der Ersteller des Modells selbst verantwortlich ist und alles, was er benötigt, um das Projekt von Anfang bis Ende durchzuführen, in der Hand hat, behauptet
Im Jahr 2024, Datarisk hat eine MLOps-Lösung auf den Markt gebracht, die darauf abzielt, führenden Unternehmen in Bereichen wie der Kreditvergabe zu dienen, Betrugsrisiko, Neigung zum Jobwechsel, Produktivität in der Landwirtschaft, unter anderem. Nur im ersten Halbjahr dieses Jahres, das Werkzeug wurde verwendet, um mehr als 10 Millionen Anfragen zu bearbeiten und, unter den Vorteilen, die die Nutzer dieser Technologie erhalten, eines der größten Highlights war gerade die Reduzierung der Zeit. Mit dem MLOps des Startups, die durchschnittliche Frist von drei Wochen ist auf eine Frage von Stunden gefallen
Carlos Relvas erklärt außerdem, dass, nachdem dieses erste Training aufgebaut ist, tritt eine zweite Phase innerhalb der MLOps-Plattform von Datarisk ein, in der der Wissenschaftler automatisch, er selbst, eine API erstellen, damit das Modell in externen Umgebungen verwendet werden kann. Die dritte Etappe, laut ihm, es ist das Management der Lösung. In dieser Phase, das Ziel ist es, sicherzustellen, dass dieses Modell, das entwickelt wurde, trainiert und wird weiterhin verwendet, um über die Zeit eine gute Leistung zu erbringen. Das Tool kann sowohl die Nutzung Ihrer Anwendungen als auch die Funktionsweise der APIs überwachen, um sicherzustellen, dass alles nicht nur wie geplant funktioniert, sondern auch die Überprüfung der Qualität des Modells ermöglichen. Die Lösung ermöglicht die Überprüfung, zum Beispiel, ob es eine Variable gibt, die sich im Laufe der Zeit geändert hat und Warnungen an den Endbenutzer ausgibt, falls das Modell an Leistung verliert, behauptet
Die Marktakzeptanz und die Prospektionen, die die Datarisk durchgeführt hat, ermöglichen es dem Unternehmen, ein Wachstum von über dem Fünffachen des Nutzungsvolumens dieser Lösung bis Ende 2025 zu prognostizieren
Der Mitbegründer und CEO von Datarisk, Jhonata Emerick, erklärt, dass sie Pionier bei der Bereitstellung von Lösungen im MLOps-Konzept in Brasilien geworden ist, Ein Startup setzt die Strategie um, seine wichtigsten Geschäftsthese zu reifen und zu perfektionieren. „Wir verstehen die Bedürfnisse des Marktes nun besser und sind bereit, Lösungen anzubieten, die die Realität der Datenwissenschaft im Land auf absolut relevante Weise transformieren können“, sagt
Laut Emerick, im speziellen Fall der Entwicklung von prädiktiven Modellen, Die MLOps-Lösungen entstehen als Antwort auf langsame interne Prozesse, die für eine Zeit entworfen wurden, in der Unternehmen nicht die Agilität benötigten, die heute bei der Verwaltung eines Datenbereichs erforderlich ist
In der Regel werden in der IT Warteschlangensysteme verwendet, bei denen der Bereich Data Science ein Modell fertigstellt und es an den Bereich Engineering übergibt, um eine API zu erstellen. Diese, ihrerseits, es wird eine erhebliche Zeit dauern, um Ihren Teil zu erledigen, wann wird das Projekt dann an das Kreditmotor-Team übergeben, zum Beispiel, damit er schließlich diese API implementiert, was zu anderen Fristen führen wird. Das Ergebnis ist, dass, wenn das Modell implementiert wird, die Situation ist jetzt eine andere. Deshalb wird die MLOps-Lösung so effektiv im Bereich der Optimierung, schließe ab
