Le marché mondial des MLOps (Opérations d'apprentissage automatique), solutions qui aident les data scientists à simplifier et optimiser les processus de déploiement de l'apprentissage automatique, aura une croissance annuelle moyenne d'environ 45 % jusqu'en 2030. La projection a été réalisée par la société de recherche Valuates Reports, qui prévoit une hausse de la valorisation du segment de 186 USD,4 millions, atteint en 2023, pour 3 dollars.6 bi. Une des principales raisons de la croissance de ce marché peut résider dans la réduction du délai de développement des modèles prédictifs. L'évaluation est de Carlos Relvas, Chef Data Scientist de Datarisk, entreprise spécialisée dans l'utilisation de l'intelligence artificielle pour générer de la valeur dans le conceptdécision en tant que service
Selon lui, pour développer des systèmes similaires avec les méthodes traditionnelles, les organisations prennent en moyenne entre deux à trois semaines, en fonction de la complexité du secteur.
En contrepartie, En utilisant le MLOps, le data scientist peut automatiser tout le processus de création. Il effectue d'abord toute la phase d'entraînement du modèle par le biais d'un apprentissage automatique qui teste des algorithmes pour voir lequel fonctionne le mieux. En ce moment, le scientifique peut aussi, si vous voulez, uploader 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 en faisant du créateur du modèle lui-même le responsable et en lui fournissant tout ce dont il a besoin pour mener à bien le projet, affirme
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, risque de fraudes, propension au changement d'emploi, productivité dans l'agriculture, entre autres. Seulement pendant le 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'une des principales réussites a été justement la réduction du temps. Avec le MLOps de la startup, le délai moyen de trois semaines est passé à une question d'heures
Carlos Relvas explique encore que, après que cette première formation est construite, une deuxième étape au sein de la plateforme MLOps de Datarisk qui est la partie où le scientifique peut automatiquement, ele mesmo, créer une API pour que le modèle puisse être utilisé dans des environnements externes. La troisième étape, selon lui, c'est la gestion de la solution. À ce stade, L'objectif est de garantir que ce modèle qui a été développé, entraîné et continue à être utilisé en maintenant une bonne performance au fil du temps. L'outil peut surveiller à la fois l'utilisation de vos applications et le fonctionnement des API pour garantir que tout fonctionne conformément au programme, mais aussi permettre l'évaluation de la qualité du modèle. La solution permet la vérification, par exemple, s'il y a une variable qui a changé au fil du temps et qui envoie des alertes à l'utilisateur final si le modèle perd en performance, affirme
La réceptivité du marché et les prospections que Datarisk a menées permettent à l'entreprise de prévoir une croissance supérieure à cinq fois le volume d'utilisation de cette solution d'ici la fin de 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, dis
Selon Emerick, dans le cas spécifique du développement de modèles prédictifs, les solutions MLOps surgent comme réponse à des processus internes lents conçus pour une époque où les entreprises n'avaient pas besoin de gérer un domaine de données avec l'agilité requise actuellement
Généralement, les systèmes de files d'attente IT sont adoptés dans lesquels le département de science des données termine de créer un modèle et le transmet au département d'ingénierie pour créer une API. Cette, à son tour, Cela prendra un temps significatif pour faire votre part, Quand alors le projet sera-t-il transmis à l'équipe de moteur de crédit, par exemple, pour qu'il mette enfin en œuvre cette API, ce qui mènera à d'autres échéances. Le résultat est que, quand le modèle est mis en œuvre, la situation est déjà différente. C'est pourquoi la solution MLOps devient si efficace en matière d'optimisation, conclut
