Der globale MLOps-Markt (Machine Learning Operations), Lösungen, die Data Scientists dabei unterstützen, die Implementierungsprozesse von Machine Learning zu vereinfachen und zu optimieren, wird bis 2030 ein durchschnittliches jährliches Wachstum von fast 45 % verzeichnen. Die Prognose wurde vom Marktforschungsunternehmen Valuates Reports erstellt, das einen Anstieg der Bewertung des Segments von 186,4 Millionen US-Dollar im Jahr 2023 auf 3,6 Milliarden US-Dollar schätzt. Einer der Hauptgründe für die Erwärmung dieses Marktes könnte in der Verkürzung der Entwicklungszeit für prädiktive Modelle liegen. Die Bewertung stammt von Carlos Relvas, Chief Data Scientist bei Datarisk, einem Unternehmen, das auf den Einsatz künstlicher Intelligenz zur Schaffung von Mehrwert spezialisiert ist.Entscheidung als Dienstleistung“.
Laut ihm benötigen Organisationen im Durchschnitt zwischen zwei und drei Wochen, um mit herkömmlichen Methoden ähnliche Systeme zu entwickeln, abhängig von der Komplexität des Sektors.
„Andererseits kann der Datenwissenschaftler beim Einsatz von MLOps den gesamten Erstellungsprozess automatisieren. Zunächst wird das gesamte Modelltraining durch automatisches maschinelles Lernen durchgeführt, das Algorithmen testet, um zu sehen, welcher am besten funktioniert. An dieser Stelle kann der Wissenschaftler, wenn er möchte, auch einen bereits vorhandenen Code hochladen und alle Dokumente und alle Codes speichern, wodurch der Schutz der Dokumentation aller Datenbanken gewährleistet wird. Der Erfolg von MLOps beruht darauf, dass alle diese Schritte entfallen, der Modellersteller selbst die Verantwortung trägt und über alles verfügt, was er braucht, um das Projekt vom Anfang bis zum Ende durchzuführen“, erklärt er.
Im Jahr 2024 hat Datarisk eine MLOps-Lösung auf den Markt gebracht, die sich darauf konzentriert, führende Unternehmen in Bereichen wie Kreditvergabe, Betrugsrisiko, Wechselbereitschaft, Produktivität in der Landwirtschaft und anderen zu unterstützen. Allein im ersten Halbjahr dieses Jahres wurde das Tool für mehr als 10 Millionen Anfragen genutzt, und eines der größten Vorteile für die Nutzer dieser Technologie war genau die Zeitersparnis. Mit dem MLOps des Startups ist die durchschnittliche Frist von drei Wochen auf eine Frage von Stunden gefallen.
Carlos Relvas erklärt außerdem, dass nach dem Aufbau dieser ersten Schulung eine zweite Phase innerhalb der MLOps-Plattform von Datarisk folgt, bei der der Wissenschaftler selbst automatisch eine API für das Modell erstellen kann, um es in externen Umgebungen zu verwenden. Die dritte Phase, laut ihm, ist das Management der Lösung. In dieser Phase besteht das Ziel darin, sicherzustellen, dass dieses entwickelte, trainierte und verwendete Modell auch im Laufe der Zeit eine gute Leistung beibehält. „Das Tool kann sowohl die Nutzung Ihrer Anwendungen als auch die Funktion der APIs überwachen, um sicherzustellen, dass alles wie geplant funktioniert, und ermöglicht außerdem die Überprüfung der Modellqualität. Die Lösung ermöglicht beispielsweise die Überprüfung, ob sich eine Variable im Laufe der Zeit geändert hat, und sendet Warnungen an den Endbenutzer, falls das Modell an Leistung verliert“, erklärt er.
Aufgrund der Aufnahmebereitschaft des Marktes und der Perspektiven, die Datarisk geschaffen hat, prognostiziert das Unternehmen bis Ende 2025 ein Wachstum des Nutzungsvolumens dieser Lösung von mehr als dem Fünffachen.
Der Mitbegründer und CEO von Datarisk, Jhonata Emerick, erklärt, dass das Startup, das im brasilianischen Markt Pionier bei der Angebot von Lösungen im MLOps-Konzept ist, die Strategie verfolgt, seine wichtigsten Geschäftsthesen zu entwickeln und zu verbessern. „Wir verstehen die Bedürfnisse des Marktes nun tiefer und sind jetzt bereit, Lösungen anzubieten, die die Realität der Datenwissenschaft im Land auf eine absolut relevante Weise verändern können“, sagt er.
Laut Emerick sind MLOps-Lösungen im speziellen Fall der Entwicklung prädiktiver Modelle eine Antwort auf langsame interne Prozesse, die für eine Zeit konzipiert wurden, als Unternehmen einen Datenbereich nicht mit der heute erforderlichen Agilität verwalten mussten.
„Im Allgemeinen werden IT-Warteschlangensysteme übernommen, bei denen der Data-Science-Bereich die Erstellung eines Modells abschließt und es an den Engineering-Bereich weitergibt, um eine API zu erstellen. Dies wiederum wird einen erheblichen Zeitaufwand erfordern, um seinen Teil zu erledigen, wenn das Projekt dann beispielsweise an das Credit Engine-Team übergeben wird, damit dieses diese API endgültig implementieren kann, was zu weiteren Fristen führen wird. Das Ergebnis ist, dass die Situation anders ist, wenn das Modell implementiert wird. Aus diesem Grund ist die MLOps-Lösung im Hinblick auf die Optimierung so effektiv“, so sein Fazit.
