Pasar global MLOps (Operasi Pembelajaran Mesin), solusi yang membantu ilmuwan data menyederhanakan dan mengoptimalkan proses penerapan machine learning, akan mengalami pertumbuhan rata-rata tahunan hampir 45% hingga 2030. Proyeksi dibuat oleh perusahaan riset Valuates Reports, yang memperkirakan lonjakan dalam valuasi segmen sebesar US$ 186,4 juta, dicapai pada 2023, untuk US$ 3.6 bi. Salah satu alasan utama untuk pemanasan pasar ini mungkin terletak pada pengurangan waktu untuk pengembangan model prediktif. Penilaian adalah milik Carlos Relvas, Kepala Ilmuwan Data di Datarisk, perusahaan yang mengkhususkan diri dalam penggunaan kecerdasan buatan untuk menciptakan nilai dalam konsepkeputusan sebagai layanan
Menurut dia, untuk mengembangkan sistem serupa dengan metode tradisional, organisasi memerlukan rata-rata antara dua hingga tiga minggu, tergantung pada kompleksitas sektor.
Sebagai imbalan, dengan menggunakan MLOps, ilmuwan data dapat mengotomatiskan seluruh proses pembuatan. Pertama-tama, ia melakukan seluruh bagian pelatihan model melalui pembelajaran mesin otomatis yang menguji algoritma untuk melihat mana yang berfungsi lebih baik. Saat ini, ilmuwan juga bisa, jika mau, unggah kode yang sudah dimiliki dan simpan semua dokumen serta semua kode, menjamin perlindungan dokumentasi dari semua basis data. Keberhasilan MLOps disebabkan oleh fakta bahwa ia menghilangkan semua tahap ini dengan pencipta model itu sendiri yang bertanggung jawab dan memiliki semua yang dibutuhkan untuk pergi dari awal hingga akhir proyek, menyatakan
Pada tahun 2024, Datarisk meluncurkan ke pasar solusi MLOps yang fokus untuk melayani perusahaan-perusahaan utama dalam kegiatan seperti pemberian kredit, risiko penipuan, kecenderungan untuk berpindah kerja, produktivitas di agro, antara lain. Hanya selama semester pertama tahun ini, alat ini digunakan untuk melakukan lebih dari 10 juta permintaan dan, antara manfaat yang diperoleh oleh pengguna teknologi ini, salah satu sorotan terbesar adalah pengurangan waktu. Dengan MLOps dari startup, jangka waktu rata-rata tiga minggu telah turun menjadi masalah jam
Carlos Relvas juga menjelaskan bahwa, setelah pelatihan pertama ini dibangun, masuk ke tahap kedua di dalam platform MLOps Datarisk itu sendiri yang merupakan bagian di mana ilmuwan dapat secara otomatis, dia itu sendiri, membuat API agar model dapat digunakan di lingkungan eksternal. Tahap ketiga, menurut dia, adalah manajemen solusi. Pada tahap ini, tujuannya adalah untuk memastikan bahwa model yang telah dikembangkan, terlatih dan sedang digunakan terus mempertahankan kinerja yang baik seiring waktu. Alat ini dapat memantau baik penggunaan aplikasi Anda maupun fungsi API untuk memastikan tidak hanya bahwa semuanya beroperasi sesuai yang diprogram, tetapi juga memungkinkan pengukuran kualitas model. Solusi memungkinkan verifikasi, misalnya, jika ada variabel yang telah berubah seiring waktu dan mengeluarkan peringatan kepada pengguna akhir jika model kehilangan kinerja, menyatakan
Receptivitas pasar dan prospeksi yang telah dilakukan Datarisk memungkinkan perusahaan untuk memproyeksikan pertumbuhan lebih dari lima kali lipat volume penggunaan solusi ini hingga akhir 2025
Cofounder dan CEO Datarisk, Jhonata Emerick, jelaskan bahwa dengan menjadi pelopor dalam penawaran solusi dalam konsep MLOps di Brasil, sebuah startup sedang menerapkan strategi untuk mematangkan dan menyempurnakan tesis bisnis utamanya. “Kami memahami dengan lebih mendalam kebutuhan pasar dan sekarang kami siap untuk menawarkan solusi yang mampu mengubah dengan cara yang sangat relevan realitas ilmu data di negara ini”, katakan
Menurut Emerick, dalam kasus spesifik pengembangan model prediktif, solusi MLOps muncul sebagai jawaban atas proses internal yang lambat yang dirancang untuk era di mana perusahaan tidak perlu mengelola area data dengan kecepatan yang diperlukan saat ini
Umumnya sistem antrean TI diadopsi di mana area data science menyelesaikan pembuatan model dan menyerahkannya ke area rekayasa untuk membuat API. Itu, sebaliknya, akan memakan waktu yang signifikan untuk melakukan bagianmu, kapan proyek akan diserahkan ke tim mesin kredit, misalnya, agar agar dia akhirnya mengimplementasikan API ini, apa yang akan membawa ke tenggat waktu lainnya. Hasilnya adalah, ketika model diterapkan, situasinya sudah berbeda. Oleh karena itu, solusi MLOps menjadi sangat efektif dalam hal optimisasi, menyimpulkan
