Il mercato globale di MLOps (Machine Learning Operations), soluzioni che aiutano i data scientist a semplificare e ottimizzare i processi di implementazione del machine learning, crescerà a un tasso medio annuo di quasi il 45% fino al 2030. La proiezione è stata effettuata dalla società di ricerche Valuates Reports, che stima un aumento nella valorizzazione del segmento da 186,4 milioni di dollari, raggiunto nel 2023, a 3,6 miliardi di dollari. Una delle principali ragioni per il riscaldamento di questo mercato potrebbe essere la riduzione dei tempi di sviluppo dei modelli predittivi. La valutazione è di Carlos Relvas, Chief Data Scientist di Datarisk, azienda specializzata nell'uso dell'intelligenza artificiale per generare valore nel concetto "decisione come servizio”.
Secondo lui, per sviluppare sistemi simili con i metodi tradizionali, le organizzazioni impiegano in media da due a tre settimane, a seconda della complessità del settore.
“D'altro canto, utilizzando MLOps, lo scienziato dei dati può automatizzare l'intero processo di creazione. Innanzitutto, esegue l'addestramento del modello tramite l'apprendimento automatico, che testa gli algoritmi per vedere quale funziona meglio. A questo punto lo scienziato può anche, se lo desidera, caricare un codice di cui è già in possesso e salvare tutti i documenti e tutti i codici, garantendo così la protezione della documentazione di tutti i database. Il successo di MLOps è dovuto al fatto che elimina tutti questi passaggi, rendendo il creatore del modello stesso responsabile e avendo tutto ciò di cui ha bisogno per andare dall'inizio alla fine del progetto", afferma.
Nel 2024, Datarisk ha lanciato sul mercato una soluzione MLOps focalizzata a servire aziende protagoniste in attività come concessione di credito, rischio di frodi, propensione al cambiamento lavorativo, produttività nel settore agricolo, tra le altre. Solo durante il primo semestre di quest'anno, lo strumento è stato utilizzato per oltre 10 milioni di consultazioni e, tra i benefici ottenuti dagli utenti di questa tecnologia, uno dei principali punti di forza è stato proprio la riduzione dei tempi. Con l'MLOps della startup, il tempo medio di tre settimane è passato a poche ore.
Carlos Relvas spiega anche che, dopo aver costruito questa prima fase di formazione, si entra in una seconda fase all'interno della piattaforma MLOps di Datarisk, che è la parte in cui lo scienziato può automaticamente, da solo, creare un'API per il modello da utilizzare in ambienti esterni. La terza fase, secondo lui, è la gestione della soluzione. In questa fase, l'obiettivo è garantire che questo modello che è stato sviluppato, addestrato e sta venendo utilizzato continui ad avere buone prestazioni nel tempo. Lo strumento è in grado di monitorare sia l'uso delle tue applicazioni sia il funzionamento delle API per garantire non solo che tutto funzioni come previsto, ma anche per consentire la verifica della qualità del modello. La soluzione permette, ad esempio, di controllare se ci sono variabili cambiate nel tempo e invia avvisi all'utente finale nel caso in cui il modello perda performance, afferma.
La ricettività del mercato e le prospettive delineate da Datarisk consentono all'azienda di prevedere una crescita di oltre cinque volte il volume di utilizzo di questa soluzione entro la fine del 2025.
Il cofondatore e CEO di Datarisk, Jhonata Emerick, spiega che diventando pioniera nell'offerta di soluzioni nel concetto di MLOps in Brasile, la startup sta mettendo in pratica la strategia di maturare e perfezionare le sue principali tesi di business. Comprendiamo più profondamente le carenze del mercato e ora siamo pronti a offrire soluzioni in grado di trasformare in modo assolutamente rilevante la realtà della scienza dei dati nel paese», dice.
Secondo Emerick, nel caso specifico dello sviluppo di modelli predittivi, le soluzioni MLOps nascono come risposta alla lentezza dei processi interni, concepite per un'epoca in cui le aziende non avevano bisogno di gestire un'area dati con l'agilità attualmente richiesta.
"I sistemi di coda IT sono generalmente adottati in cui l'area della scienza dei dati termina di creare un modello e lo passa all'area di ingegneria per creare un'API. Questo, a sua volta, richiederà molto tempo per fare la sua parte, quando poi passerà il progetto al team del motore di credito, ad esempio, in modo che possa finalmente implementare questa API, il che comporterà altre scadenze. Il risultato è che quando il modello viene implementato, la situazione è diversa. Ecco perché la soluzione MLOps è così efficace in termini di ottimizzazione", conclude.
