El mercado global de MLOps (Operaciones de Aprendizaje Automático), soluciones que ayudan a los científicos de datos a simplificar y optimizar los procesos de implementación de aprendizaje automático, tendrá un crecimiento promedio anual de casi el 45% hasta 2030. La proyección fue realizada por la empresa de investigaciones Valuates Reports, que estima un aumento en la valorización del segmento de 186,4 millones de dólares, alcanzado en 2023, a 3,6 mil millones de dólares. Una de las principales razones para el calentamiento de este mercado puede estar en la reducción de plazo para el desarrollo de modelos predictivos. La evaluación es de Carlos Relvas, Chief Data Scientist de Datarisk, empresa especializada en el uso de inteligencia artificial para generar valor en el concepto.decisión como servicio”.
Según él, para desarrollar sistemas similares con los métodos tradicionales, las organizaciones tardan en promedio entre dos y tres semanas, dependiendo de la complejidad del sector.
“Por otro lado, al utilizar MLOps, el científico de datos puede automatizar todo el proceso de creación. En primer lugar, realiza todo el entrenamiento del modelo a través del aprendizaje automático que prueba algoritmos para ver cuál funciona mejor. En este punto, el científico también puede, si lo desea, cargar un código que ya tenga y guardar todos los documentos y todos los códigos, asegurando así la protección de la documentación de todas las bases de datos. El éxito de MLOps se debe a que elimina todos estos pasos, siendo el propio creador del modelo el responsable y teniendo todo lo necesario para ir desde el principio hasta el final del proyecto”, afirma.
En 2024, Datarisk lanzó al mercado una solución de MLOps enfocada en atender a empresas líderes en actividades como concesión de crédito, riesgo de fraudes, propensión a cambiar de trabajo, productividad en el agro, entre otras. Solo durante el primer semestre de este año, la herramienta se utilizó para realizar un volumen superior a 10 millones de consultas y, entre los beneficios obtenidos por los usuarios de esta tecnología, uno de los mayores destacados fue precisamente la reducción de tiempo. Con el MLOps de la startup, el plazo medio de tres semanas se redujo a cuestión de horas.
Carlos Relvas explica además que, después de que se ha construido este primer entrenamiento, entra en una segunda etapa dentro de la propia plataforma MLOps de Datarisk, que es la parte en la que el científico puede crear automáticamente, él mismo, una API para que el modelo pase a ser utilizado en entornos externos. La tercera etapa, según él, es la gestión de la solución. En esta fase, el objetivo es garantizar que este modelo que fue desarrollado, entrenado y está siendo utilizado siga teniendo un buen rendimiento a lo largo del tiempo. "La herramienta puede monitorear tanto el uso de sus aplicaciones como el funcionamiento de las APIs para garantizar no solo que todo esté operando según lo programado, sino también para permitir la medición de la calidad del modelo. La solución facilita la verificación, por ejemplo, si alguna variable ha cambiado con el tiempo y emite alertas al usuario final en caso de que el modelo esté perdiendo rendimiento", afirma.
La receptividad del mercado y las perspectivas que tiene Datarisk permiten a la compañía proyectar un crecimiento de más de cinco veces el volumen de uso de esta solución para finales de 2025.
El cofundador y CEO de Datarisk, Jhonata Emerick, explica que al convertirse en pionera en la oferta de soluciones bajo el concepto de MLOps en Brasil, la startup está poniendo en práctica la estrategia de madurar y perfeccionar sus principales tesis de negocio. "Entendemos con mayor profundidad las carencias del mercado y ahora estamos preparados para ofrecer soluciones capaces de transformar de una manera absolutamente relevante la realidad de la ciencia de datos en el país", dice.
Según Emerick, en el caso específico del desarrollo de modelos predictivos, las soluciones MLOps surgen como una respuesta a procesos internos lentos pensados para una época en la que las empresas no necesitaban gestionar un área de datos con la agilidad que se requiere actualmente.
“Generalmente se adoptan sistemas de colas de TI en los que el área de ciencia de datos termina de crear un modelo y lo pasa al área de ingeniería para crear una API. Esto, a su vez, tomará una cantidad significativa de tiempo para hacer su parte, cuando luego pasará el proyecto al equipo del motor de crédito, por ejemplo, para que finalmente pueda implementar esta API, lo que dará lugar a otros plazos. El resultado es que cuando se implementa el modelo, la situación es diferente. “Por eso la solución MLOps es tan efectiva en términos de optimización”, concluye.
