A MLOps (Gépi Tanulási Műveletek) globális piaca, megoldások, amelyek segítik az adatkutatókat a gépi tanulás telepítési folyamatainak egyszerűsítésében és optimalizálásában, évi körülbelül 45%-os növekedést mutat 2030-ig. A projektet a Valuates Reports kutatócég készítette, ami a szegmens értéknövekedésének ugrását 186 USD-ra becsüli,4 millió, elérték 2023-ban, 3 USD-ért.6 bi. A piac térfogatának egyik fő oka lehet a prediktív modellek fejlesztésének időtartamának csökkenése. A értékelés Carlos Relvasé, A Datarisk fő adatkutatója, vállalat, amely a mesterséges intelligencia használatára specializálódott az értékteremtés érdekében a „döntés mint szolgáltatás
Szerinte, hagyományos módszerekkel hasonló rendszerek fejlesztésére, a szervezetek átlagosan két-három hetet vesznek igénybe, a szektor bonyolultságától függően.
"Ellentétben", az MLOps használatával az adatkutató képes automatizálni a létrehozás teljes folyamatát. Először elvégzi a modell tréningjének teljes részét egy automatikus gépi tanulás segítségével, amely algoritmusokat tesztel, hogy kiderítse, melyik működik a legjobban. Jelen pillanatban, a tudós is képes, ha szeretnéd, feltölteni egy kódot, amely már sajátja, és elmenteni az összes dokumentumot és az összes kódot, így biztosítva a dokumentáció védelmét az összes adatbázis esetében. A MLOps sikere abban rejlik, hogy eltávolítja ezeket a lépéseket, mivel a modell létrehozója maga felelős, és minden szükséges eszközzel rendelkezik a projekt kezdetétől a végéig, állítja
2024-ben, A Datarisk piacra dobott egy MLOps megoldást, amely a hitelnyújtás területén vezető szerepet betöltő vállalatok kiszolgálására összpontosít, csalás kockázata, munkaváltási hajlandóság, termelés a mezőgazdaságban, többek között. Csak az idei év első félévében, az eszközt több mint 10 millió lekérdezés végrehajtására használták és, a technológia felhasználói által elért előnyök között, az egyik legnagyobb kiemelkedés éppen az idő csökkentése volt. A startup MLOps-szal, a háromhetes átlagos határidő órákra csökkent
Carlos Relvas azt is elmagyarázza, hogy, miután, hogy ez az első képzés elkészült, belép egy második szakasz a Datarisk MLOps platformján belül, amelyben a tudós automatikusan, ő maga, API létrehozása, hogy a modell külső környezetekben használható legyen. A harmadik szakasz, szerinte, a megoldás kezelése. Ebben a fázisban, a célja annak biztosítása, hogy ez a modell, amelyet kifejlesztettek, képzett és használatban van, továbbra is jó teljesítményt nyújt az idő múlásával. Az eszköz képes figyelni az alkalmazásai használatát és az API-k működését, hogy biztosítsa, hogy minden a tervek szerint működik, de azonnal lehetővé teszi a modell minőségének ellenőrzését. A megoldás lehetővé teszi a ellenőrzést, például, ha valami változó, ami az idő múlásával megváltozott, és figyelmeztetéseket küld a végfelhasználónak, ha a modell teljesítménye csökken, állítja
A piacsi fogadtatás és a Datarisk által végzett piackutatások lehetővé teszik a cég számára, hogy 2025 végéig a megoldás használatának volumenét ötszörös növekedésre tervezze
A Datarisk társalapítója és vezérigazgatója, Jhonata Emerick, magyarázd el, hogy miért vált úttörővé a MLOps megoldások kínálatában Brazíliában, a startup a fő üzleti téziseinek érlelésére és tökéletesítésére összpontosít. "Mélyebben megértettük a piac igényeit, és most készen állunk arra, hogy olyan megoldásokat kínáljunk, amelyek képesek abszolút releváns módon átalakítani az adatelemzés valóságát az országban", mondja
Emerick szerint, a prediktív modellek fejlesztésének konkrét esetében, az MLOps megoldások válaszként jelennek meg a lassú belső folyamatokra, amelyeket egy olyan időszakra terveztek, amikor a vállalatoknak nem kellett olyan gyorsan kezelniük az adatkezelést, mint manapság
Általában az IT sorban állási rendszereket alkalmaznak, ahol az adatkutatási terület befejezi egy modell elkészítését, és átadja a mérnöki területnek, hogy létrehozzon egy API-t. Az, a maga módján, jelentős időbe telik, hogy megcsináld a részedet, mikor kerül a projekt a hitelmotor csapatához, például, hogy végre megvalósítsa ezt az API-t, ami más határidőkhöz fog vezetni. Az eredmény az, hogy, amikor a modell megvalósul, a helyzet már más. Ezért a MLOps megoldás annyira hatékony az optimalizálás szempontjából, befejeződik
