Le marché mondial des MLOps (Operations d'apprentissage automatique), des solutions qui aident les data scientists à simplifier et optimiser les processus de déploiement de l'apprentissage automatique, connaîtra une croissance annuelle moyenne de près de 45 % jusqu'en 2030. La projection a été réalisée par la société de recherche Valuates Reports, qui prévoit une augmentation de la valorisation du secteur de 186,4 millions de dollars, atteinte en 2023, à 3,6 milliards de dollars. Une des principales raisons de la croissance de ce marché peut résider dans la réduction des délais pour le développement de modèles prédictifs. L'évaluation est de Carlos Relvas, Chief Data Scientist de Datarisk, une entreprise spécialisée dans l'utilisation de l'intelligence artificielle pour générer de la valeur dans le concept «« décision en tant que service ».
Selon lui, pour développer des systèmes similaires avec les méthodes traditionnelles, les organisations mettent en moyenne entre deux et trois semaines, en fonction de la complexité du secteur.
« D’autre part, en utilisant MLOps, le data scientist peut automatiser l’ensemble du processus de création. Tout d’abord, il effectue toute la formation du modèle via l’apprentissage automatique qui teste les algorithmes pour voir lequel fonctionne le mieux. À ce stade, le scientifique peut également, s'il le souhaite, télécharger un code qu'il possède déjà et sauvegarder tous les documents et tous les codes, assurant ainsi la protection de la documentation de toutes les bases de données. Le succès du MLOps est dû au fait qu’il élimine toutes ces étapes, le créateur du modèle lui-même étant responsable et disposant de tout ce dont il a besoin pour aller du début à la fin du projet », affirme-t-il.
En 2024, Datarisk a lancé sur le marché une solution MLOps axée sur la prise en charge des entreprises leaders dans des activités telles que l'octroi de crédit, la gestion du risque de fraude, la propension au changement d'emploi, la productivité dans l'agro, entre autres. Seulement au cours du premier semestre de cette année, l'outil a été utilisé pour effectuer un volume supérieur à 10 millions de requêtes et, parmi les avantages obtenus par les utilisateurs de cette technologie, l'un des plus importants a été justement la réduction du temps. Avec le MLOps de la startup, le délai moyen de trois semaines est passé à quelques heures.
Carlos Relvas explique encore qu'après la construction de cette première formation, une deuxième étape s'ouvre au sein même de la plateforme MLOps de Datarisk, qui consiste en la possibilité pour le scientifique de créer automatiquement, lui-même, une API pour que le modèle puisse être utilisé dans des environnements externes. La troisième étape, selon lui, est la gestion de la solution. À cette étape, l'objectif est de garantir que ce modèle qui a été développé, entraîné et est en cours d'utilisation continue d'avoir de bonnes performances au fil du temps. « La ferramenta peut surveiller à la fois l'utilisation de vos applications et le fonctionnement des API pour garantir non seulement que tout fonctionne conformément au programme, mais aussi permettre l'évaluation de la qualité du modèle. La solution permet, par exemple, de vérifier si une variable a changé au fil du temps et d'envoyer des alertes à l'utilisateur final si le modèle perd en performance », affirme-t-il.
La réceptivité du marché et les perspectives que Datarisk s'est fixées permettent à l'entreprise de projeter une croissance de plus de cinq fois le volume d'utilisation de cette solution d'ici fin 2025.
Le cofondateur et CEO de Datarisk, Jhonata Emerick, explique qu'en devenant pionnière dans l'offre de solutions dans le concept de MLOps au Brésil, la startup met en pratique la stratégie de mûrir et d'améliorer ses principales thèses commerciales. « Nous comprenons plus en profondeur les besoins du marché et nous sommes désormais prêts à offrir des solutions capables de transformer de manière absolument pertinente la réalité de la science des données dans le pays », dit-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 un domaine de données avec l'agilité actuellement requise.
« Les systèmes de file d'attente informatiques sont généralement adoptés dans lesquels le domaine de la science des données termine la création d'un modèle et le transmet au domaine de l'ingénierie pour créer une API. Cela prendra à son tour beaucoup de temps pour faire sa part, quand il faudra ensuite transmettre le projet à l'équipe du moteur de crédit, par exemple, pour qu'elle puisse enfin mettre en œuvre cette API, ce qui entraînera d'autres délais. Le résultat est que lorsque le modèle est mis en œuvre, la situation est différente. « C’est pourquoi la solution MLOps est si efficace en termes d’optimisation », conclut-il.
