वैश्विक MLOps (मशीन लर्निंग ऑपरेशंस) बाजार, समाधान जो डेटा वैज्ञानिकों को मशीन लर्निंग के कार्यान्वयन प्रक्रियाओं को सरल और अनुकूलित करने में मदद करते हैं, 2030 तक लगभग 45% की औसत वार्षिक वृद्धि होगी. प्रक्षिप्ति वैल्यूएट्स रिपोर्ट्स नामक शोध कंपनी द्वारा की गई थी, जो इस क्षेत्र के मूल्यांकन में 186 अमेरिकी डॉलर की वृद्धि का अनुमान लगाता है,4 मिलियन, 2023 में प्राप्त किया गया, के लिए US$ 3.6 बी. इस बाजार के गर्म होने के मुख्य कारणों में से एक भविष्यवाणी मॉडल के विकास के लिए समय की कमी हो सकती है. मूल्यांकन कार्लोस रेलवास का है, डेटारिस्क के मुख्य डेटा वैज्ञानिक, कंपनी जो "के सिद्धांत में मूल्य उत्पन्न करने के लिए कृत्रिम बुद्धिमत्ता के उपयोग में विशेषज्ञता रखती हैनिर्णय के रूप में सेवा
उसके अनुसार, परंपरागत तरीकों से समान प्रणालियाँ विकसित करने के लिए, संगठन औसतन दो से तीन सप्ताह लेते हैं, क्षेत्र की जटिलता के आधार पर.
"इसके विपरीत", MLOps का उपयोग करते समय डेटा वैज्ञानिक पूरे निर्माण प्रक्रिया को स्वचालित कर सकता है. पहले वह एक स्वचालित मशीन लर्निंग के माध्यम से मॉडल के प्रशिक्षण का पूरा हिस्सा करता है जो यह परीक्षण करता है कि कौन सा एल्गोरिदम बेहतर काम करता है. इस क्षण, वैज्ञानिक भी कर सकता है, अगर चाहें, एक कोड अपलोड करें जो पहले से ही उसका अपना हो और सभी दस्तावेज़ों और सभी कोडों को सहेजें, इस प्रकार सभी डेटाबेस के दस्तावेज़ों की सुरक्षा सुनिश्चित करना. MLOps की सफलता का कारण यह है कि यह सभी चरणों को समाप्त कर देता है, जिसमें मॉडल का निर्माता स्वयं जिम्मेदार होता है और उसके पास परियोजना की शुरुआत से अंत तक जाने के लिए आवश्यक सभी चीजें होती हैं, बयान
2024 में, Datarisk ने बाजार में एक MLOps समाधान लॉन्च किया है जो क्रेडिट देने जैसी गतिविधियों में प्रमुख कंपनियों की आवश्यकताओं को पूरा करने पर केंद्रित है, धोखाधड़ी का जोखिम, काम बदलने की प्रवृत्ति, कृषि में उत्पादकता, अन्य के बीच. सिर्फ इस साल के पहले semestre के दौरान, उपकरण का उपयोग 10 मिलियन से अधिक पूछताछ की मात्रा को पूरा करने के लिए किया गया था और, इस तकनीक के उपयोगकर्ताओं द्वारा प्राप्त लाभों के बीच, सबसे बड़े आकर्षणों में से एक समय की कमी थी. स्टार्टअप के MLOps के साथ, तीन सप्ताह की औसत समय सीमा घंटों की बात बन गई है
कार्लोस रेलवास यह भी बताते हैं कि, इसके बाद जब यह पहला प्रशिक्षण तैयार हो जाता है, एक दूसरा चरण Datarisk के MLOps प्लेटफ़ॉर्म के भीतर प्रवेश करता है जिसमें वैज्ञानिक स्वचालित रूप से, वह खुद, एक एपीआई बनाना ताकि मॉडल बाहरी वातावरण में उपयोग किया जा सके. तीसरा चरण, उसके अनुसार, यह समाधान का प्रबंधन है. इस चरण में, उद्देश्य यह सुनिश्चित करना है कि यह मॉडल जो विकसित किया गया है, प्रशिक्षित है और इसका उपयोग किया जा रहा है, समय के साथ अच्छी प्रदर्शन करते रहो. यह उपकरण आपकी अनुप्रयोगों के उपयोग और एपीआई के कार्य को मॉनिटर करने में सक्षम है ताकि यह सुनिश्चित किया जा सके कि सब कुछ योजना के अनुसार काम कर रहा है, लेकिन यह मॉडल की गुणवत्ता का मूल्यांकन करने की अनुमति भी देता है. समाधान सत्यापन को संभव बनाता है, उदाहरण के लिए, क्या कोई ऐसा चर है जो समय के साथ बदल गया है और यदि मॉडल प्रदर्शन खो रहा है तो अंतिम उपयोगकर्ता को चेतावनियाँ भेजता है, बयान
बाजार की स्वीकार्यता और डाटारिस्क द्वारा की गई संभावनाएं कंपनी को 2025 के अंत तक इस समाधान के उपयोग की मात्रा में पांच गुना से अधिक वृद्धि का अनुमान लगाने की अनुमति देती हैं
Datarisk के सह-संस्थापक और सीईओ, जोनाटा एमेरिक, यह समझाएं कि ब्राजील में MLOps अवधारणा में समाधानों की पेशकश में अग्रणी बनने पर, एक स्टार्टअप अपने 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 ऐसे समाधान प्रदान करने के लिए तैयार हैं जो देश में डेटा विज्ञान की वास्तविकता को पूरी तरह से प्रासंगिक तरीके से बदल सकें”, कहता है
एमेरिक के अनुसार, विशिष्ट मामले में भविष्यवाणी मॉडल के विकास, MLOps समाधान धीमे आंतरिक प्रक्रियाओं के जवाब के रूप में उभरते हैं जो एक ऐसे समय के लिए डिज़ाइन किए गए थे जब कंपनियों को वर्तमान में आवश्यक गति के साथ डेटा क्षेत्र का प्रबंधन करने की आवश्यकता नहीं थी
आम तौर पर, उन आईटी फ़ाइल सिस्टम को अपनाया जाता है जिनमें डेटा विज्ञान क्षेत्र एक मॉडल बनाने के बाद इसे इंजीनियरिंग क्षेत्र को एक एपीआई बनाने के लिए सौंप देता है. यह, अपनी बारी में, आपका हिस्सा करने में काफी समय लगेगा, तो परियोजना कब क्रेडिट इंजन टीम को सौंपा जाएगा, उदाहरण के लिए, ताकि वह अंततः इस एपीआई को लागू करे, यह अन्य समयसीमाओं की ओर ले जाएगा. परिणाम यह है कि, जब मॉडल लागू किया जाता है, स्थिति अब अलग है. इसलिए MLOps समाधान अनुकूलन के मामले में इतना प्रभावी हो जाता है, निष्कर्ष
