Le marché des opérations d'apprentissage automatique devrait croître de 451 TP3T par an d'ici 2030

Le marché mondial des opérations de Machine Learning (MLOps), solutions permettant aux data scientists de simplifier et d'optimiser les processus de déploiement de l'apprentissage automatique, connaîtra une croissance annuelle moyenne de près de 451 000 dollars d'ici 2030. Cette projection a été réalisée par le cabinet d'études Valuates Reports, qui prévoit une hausse de la valorisation du segment, passant de 186,4 millions de dollars en 2023 à 3,6 milliards de dollars. L'une des principales raisons de cette croissance pourrait être le raccourcissement des délais de développement des modèles prédictifs. Cette analyse est celle de Carlos Relvas, responsable data scientist chez Datarisk, une entreprise spécialisée dans l'utilisation de l'intelligence artificielle pour générer de la valeur grâce au concept de « machine learning ».« décision en tant que service ».

Selon lui, pour développer des systèmes similaires en utilisant des méthodes traditionnelles, les organisations prennent en moyenne deux à trois semaines, selon la complexité du secteur.  

« En revanche, grâce au MLOps, le data scientist peut automatiser l'intégralité du processus de création. Il effectue d'abord l'intégralité du processus d'entraînement du modèle grâce à l'apprentissage automatique qui teste les algorithmes pour déterminer celui qui fonctionne le mieux. À ce stade, le data scientist peut également, s'il le souhaite, télécharger son propre code et sauvegarder tous les documents et le code, garantissant ainsi la protection de toute la documentation de la base de données. Le succès du MLOps réside dans la suppression de toutes ces étapes, laissant le créateur du modèle responsable et disposant de tout le nécessaire pour mener à bien le projet du début à la fin », explique-t-il.

En 2024, Datarisk a lancé une solution MLOps destinée aux entreprises clés dans des domaines tels que l'octroi de crédit, la gestion des risques de fraude, la délocalisation, la productivité agricole, etc. Rien qu'au premier semestre de cette année, l'outil a permis de traiter plus de 10 millions de requêtes. Parmi les avantages constatés par les utilisateurs de cette technologie, l'un des plus marquants a été la réduction des délais. Grâce à la solution MLOps de la startup, le délai moyen de traitement, de trois semaines, a été réduit à quelques heures.

Carlos Relvas explique ensuite qu'après cette formation initiale, une deuxième étape commence au sein de la plateforme MLOps de Datarisk, où le scientifique peut créer automatiquement une API pour le modèle à utiliser dans des environnements externes. La troisième étape, précise-t-il, est la gestion de la solution. À ce stade, l'objectif est de garantir que le modèle, une fois développé, entraîné et utilisé, continue de fonctionner correctement au fil du temps. « L'outil peut surveiller l'utilisation de vos applications et le fonctionnement des API pour garantir non seulement que tout fonctionne comme prévu, mais aussi pour évaluer la qualité du modèle. La solution permet de vérifier, par exemple, si des variables ont évolué au fil du temps et d'alerter l'utilisateur final en cas de baisse de performance du modèle », précise-t-il.

 La réceptivité du marché et les perspectives de Datarisk permettent à l’entreprise de projeter une multiplication par cinq du volume d’utilisation de cette solution d’ici fin 2025.

Jhonata Emerick, cofondateur et PDG de Datarisk, explique qu'en devenant un pionnier des solutions MLOps au Brésil, la startup met en œuvre une stratégie visant à affiner et à affiner ses concepts clés. « Nous comprenons mieux les besoins du marché et sommes désormais prêts à proposer des solutions capables de transformer considérablement la réalité de la science des données dans le pays », déclare-t-il.

Selon Emerick, dans le cas spécifique du développement de modèles prédictifs, les solutions MLOps apparaissent comme une réponse aux processus internes lents conçus pour une époque où les entreprises n'avaient pas besoin de gérer les données avec l'agilité requise aujourd'hui.

« On adopte généralement des systèmes de file d'attente informatiques : l'équipe de science des données termine le développement d'un modèle et le transmet à l'équipe d'ingénierie pour créer une API. L'équipe d'ingénierie, à son tour, consacre un temps considérable à la réalisation de sa tâche, puis transmet le projet à l'équipe du moteur de crédit, par exemple pour l'implémentation finale de l'API, ce qui allonge les délais. Par conséquent, une fois le modèle implémenté, la situation est complètement différente. C'est pourquoi la solution MLOps est si efficace en termes d'optimisation », conclut-il.