वैश्विक एमएलओप्स (मशीन लर्निंग ऑपरेशंस) बाजार, जो डेटा वैज्ञानिकों को मशीन लर्निंग की तैनाती प्रक्रियाओं को सरल और अनुकूलित करने में मदद करने वाले समाधानों को संदर्भित करता है, 2030 तक लगभग 45% की औसत वार्षिक वृद्धि दर से बढ़ेगा। प्रोजेक्शन वैल्यूएट्स रिपोर्ट्स कंपनी द्वारा की गई है, जिसने 2023 में प्राप्त 186.4 मिलियन अमेरिकी डॉलर की मूल्यांकन में उछाल का अनुमान लगाया है, जो कि 3.6 बिलियन अमेरिकी डॉलर तक पहुंच जाएगा। इस बाजार के गर्म होने के मुख्य कारणों में से एक संभावित रूप से पूर्वानुमान मॉडल के विकास के लिए समय सीमा में कमी हो सकती है। मूल्य सृजन के लिए कृत्रिम बुद्धिमत्ता के उपयोग में विशेषज्ञता रखने वाली कंपनी Datarisk के मुख्य डेटा वैज्ञानिक कार्लोस रिल्वास का मूल्यांकन।निर्णय सेवा के रूप में।
उनके अनुसार, पारंपरिक तरीकों से समान प्रणालियों को विकसित करने के लिए, संगठन औसतन दो से तीन सप्ताह का समय लेते हैं, जो क्षेत्र की जटिलता पर निर्भर करता है।
इसके विपरीत, जब आप MLOps का उपयोग करते हैं, तो डेटा वैज्ञानिक पूरी निर्माण प्रक्रिया को स्वचालित कर सकते हैं। सबसे पहले, वह स्वचालित मशीन लर्निंग के माध्यम से मॉडल प्रशिक्षण का पूरा हिस्सा करता है, जो यह परीक्षण करता है कि कौन सा एल्गोरिदम सबसे अच्छा काम करता है। इस समय, वैज्ञानिक यदि चाहें, तो वह अपना स्वयं का कोड अपलोड कर सकते हैं और सभी दस्तावेज़ों और कोडों को सहेज सकते हैं, इस तरह से सभी डेटाबेस की दस्तावेज़ीकरण की सुरक्षा सुनिश्चित करते हैं। MLOps की सफलता का कारण यह है कि यह इन सभी चरणों को समाप्त कर देता है, जिसमें मॉडल निर्माता स्वयं जिम्मेदार होता है और उसके पास वह सब कुछ होता है जिसकी उसे परियोजना की शुरुआत से अंत तक जाने के लिए आवश्यकता होती है," वह कहता है।
2024 में, Datarisk ने बाजार में एक MLOps समाधान लॉन्च किया जो क्रेडिट प्रदान करने, धोखाधड़ी के जोखिम, नौकरी बदलने की प्रवृत्ति, कृषि में उत्पादकता जैसी गतिविधियों में प्रमुख कंपनियों की सेवा पर केंद्रित है। केवल इस वर्ष के पहले छमाही में, इस उपकरण का उपयोग 10 मिलियन से अधिक प्रश्नों के समाधान के लिए किया गया था, और इस तकनीक का उपयोग करने वाले उपयोगकर्ताओं को प्राप्त लाभों में से एक सबसे बड़ा लाभ समय की बचत था। स्टार्टअप के MLOps के साथ, तीन सप्ताह का औसत समय घंटे की बात रह गई।
कार्लोस रेल्वास यह भी बताते हैं कि, जब पहली प्रशिक्षण पूरी हो जाती है, तो डाटारिस्क के एमएलओपीएस प्लेटफ़ॉर्म के अंदर एक दूसरी चरण शुरू होती है, जिसमें वैज्ञानिक स्वचालित रूप से अपने आप एक API बना सकते हैं ताकि मॉडल को बाहरी वातावरण में उपयोग किया जा सके। तीसरा चरण, उसके अनुसार, समाधान का प्रबंधन है। इस चरण में, उद्देश्य यह सुनिश्चित करना है कि इस मॉडल को विकसित किया गया है, प्रशिक्षित किया गया है और इसका उपयोग किया जा रहा है, समय के साथ अच्छी प्रदर्शन जारी रहे। "उपकरण अपने अनुप्रयोगों के उपयोग और APIs के कार्यक्षमता दोनों की निगरानी कर सकता है ताकि यह सुनिश्चित किया जा सके कि सब कुछ योजना के अनुसार काम कर रहा है, बल्कि मॉडल की गुणवत्ता का भी आकलन किया जा सके। समाधान यह जांचने में सक्षम बनाता है कि क्या समय के साथ कोई चर बदल गया है और यदि मॉडल प्रदर्शन खो रहा है तो अंतिम उपयोगकर्ता को चेतावनी जारी करता है," वह कहता है।
बाजार की ग्रहणशीलता और Datarisk द्वारा की गई संभावनाएँ कंपनी को 2025 के अंत तक इस समाधान के उपयोग के मात्रा से पांच गुना अधिक वृद्धि का अनुमान लगाने की अनुमति देती हैं।
डाटारिस्क के सह-संस्थापक और सीईओ जॉनाटा एमरिक बताते हैं कि ब्राज़ील में एमएलऑप्स अवधारणा में समाधान प्रदान करने वाली पहली कंपनी बनकर, स्टार्टअप अपनी मुख्य व्यापार सिद्धांतों को परिपक्व और सुधारने की रणनीति को लागू कर रहा है। हम बाजार की आवश्यकताओं को अधिक गहराई से समझते हैं और अब हम ऐसी समाधान प्रदान करने के लिए तैयार हैं जो देश में डेटा विज्ञान की वास्तविकता को पूरी तरह से महत्वपूर्ण तरीके से बदलने में सक्षम हैं, कहता है।
एमरिक के अनुसार, विशेष रूप से पूर्वानुमान मॉडल के विकास के मामले में, एमएलऑप्स समाधान धीमे आंतरिक प्रक्रियाओं का जवाब के रूप में उभरते हैं, जो उस समय के लिए डिज़ाइन किए गए थे जब कंपनियों को वर्तमान में आवश्यक डेटा क्षेत्र को प्रबंधित करने की आवश्यकता नहीं थी।
आम तौर पर, आईटी कतार प्रणालियों को अपनाया जाता है जिनमें डेटा साइंस क्षेत्र मॉडल बनाने के बाद API बनाने के लिए इंजीनियरिंग क्षेत्र में जाता है। यह, अपने आप में, अपनी भागीदारी करने के लिए एक महत्वपूर्ण समय लेगा, फिर परियोजना को क्रेडिट मशीन टीम को सौंप देगा, उदाहरण के लिए, ताकि वह अंततः उस API को लागू कर सके, जो अन्य समयसीमाओं को ले जाएगा। परिणाम यह है कि जब मॉडल लागू किया जाता है, तो स्थिति पहले से ही अलग होती है। इसलिए, एमएलऑप्स समाधान ऑप्टिमाइज़ेशन के मामले में इतना प्रभावी हो जाता है, समाप्त।
