El mercado global de MLOps (Operaciones de Aprendizaje Automático), soluciones que ayudan a los científicos de datos a simplificar y optimizar procesos de implementación de machine learning, tendrá un crecimiento medio anual de casi el 45% hasta 2030. La proyección fue realizada por la empresa de investigaciones Valuates Reports, que estima un salto en la valorización del segmento de US$ 186,4 millones, alcanzado en 2023, por US$ 3.6 bi. Una de las principales razones para el calentamiento de este mercado puede estar en la reducción del plazo para el desarrollo de modelos predictivos. La evaluación es de Carlos Relvas, Científico de Datos Principal 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 un promedio de dos a tres semanas, dependiendo de la complejidad del sector.
"En contrapartida", al usar MLOps el científico de datos puede automatizar todo el proceso de creación. Primero hace toda la parte de entrenamiento del modelo a través de un machine learning automático que prueba algoritmos para ver cuál de ellos funciona mejor. En este momento, el científico también puede, si quieres, subir un código que ya tenga propio y guardar todos los documentos y todos los códigos, garantizando así la protección de la documentación de todas las bases de datos. El éxito del MLOps se debe a que elimina todas estas etapas, con el propio creador del modelo siendo él mismo responsable y teniendo en manos todo lo que necesita para ir del principio al fin del proyecto, afirma
En 2024, Datarisk lanzó al mercado una solución MLOps enfocada en atender a empresas protagonistas en actividades como la 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 fue utilizada para la realización de 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 una cuestión de horas
Carlos Relvas explica también que, después de que se construye este primer entrenamiento, entra una segunda etapa dentro de la propia plataforma MLOps de Datarisk que es la parte en la cual el científico puede automáticamente, él mismo, crear una API para que el modelo pueda 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 se está utilizando sigue 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 está operando según lo programado", sino también permitir la verificación de la calidad del modelo. La solución viabiliza la verificación, por ejemplo, si hay alguna variable que haya cambiado a lo largo del tiempo y emita alertas al usuario final en caso de que el modelo esté perdiendo rendimiento, afirma
La receptividad del mercado y las prospecciones que Datarisk ha realizado permiten a la empresa proyectar un crecimiento superior a cinco veces el volumen de uso de esta solución hasta finales de 2025
El Cofundador y CEO de Datarisk, Jhonata Emerick, explica que al convertirse en pionera en la oferta de soluciones en el concepto MLOps en Brasil, una startup está poniendo en práctica la estrategia de madurar y perfeccionar sus principales tesis de negocios. “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”, di
De acuerdo con Emerick, en el caso específico del desarrollo de modelos predictivos, las soluciones MLOps surgen como respuesta a procesos internos lentos diseñados para una época en la que las empresas no necesitaban gestionar un área de datos con la agilidad que se exige actualmente
Generalmente se adoptan los sistemas de colas de TI en los que el área de ciencia de datos termina de hacer un modelo y pasa al área de ingeniería a crear una API. Esa, por su parte, va a tardar un tiempo significativo para hacer su parte, cuándo entonces pasará el proyecto al equipo de motor de crédito, por ejemplo, para que él finalmente implemente esta API, lo que llevará a otros plazos. El resultado es que, cuando se implementa el modelo, la situación ya es otra. Por eso la solución MLOps se vuelve tan efectiva en el aspecto de optimización, concluye
