De globale MLOps (Machine Learning Operations) Marked, léischen déi hëllefen Datenwëssenschaftler d'Prozesser vun der Implementatioun vun Machine Learning ze vereinfachen an ze optimiséieren, wird ein durchschnittliches jährliches Wachstum von fast 45% bis 2030 haben. D'projéctioun ass gemaach vun der Fuerschungsfirma Valuates Reports, dat schätzt e Sprong an der Wäertung vum Segment vun US$ 186,4 milliounen, erreecht am 2023, fir US$ 3.6 bi. Een van de belangrijkste redenen voor de opwarming van deze markt kan liggen in de verkorting van de termijn voor de ontwikkeling van voorspellende modellen. D'Bewäertung ass vum Carlos Relvas, Chef Datenwissenschaftler vun Datarisk, firma spezialiséiert am Gebrauch vun Intelligenz Kënschtlech fir Wäert am Konzept "decisão como um serviço
Sëgond him, fir firen systemen ähnlech mat de traditionelle Methoden ze entwéckelen, d'Organisatiounen huelen eng Duerchschnëtt vun zwou bis dräi Wochen, jech de der komplexitéit vum sektéier.
"An der anerer Säit", bei der Verwendung von MLOps kann der Datenwissenschaftler den gesamten Erstellungsprozess automatisieren. Éischt mécht hien déi ganz Trainingstee vun engem Modell duerch eng automatesch Maschinn léieren, déi Algorithmen test fir ze gesin, wéi eng am beschten funktionéiert. An dësem Moment, de wëssenschaftler kann och, wa wann, uploader en code dat et huet e spären all Dokumenter an all Code, garantind esou d'protection vun der Dokumentatioun vun allen Datenbanken. De succès vum MLOps läit daran, datt et all dës Etappen eliminéiert, mat dem eegenen Schëpfer vum Modell, deen selwer verantwortlech ass an alles an der Hand huet, wat hien brauch fir vum Ufank bis zum Enn vum Projet ze goen, afirmatioun
An 2024, Datarisk huet eng MLOps-Léisung op de Maart lancéiert, déi sech op d'Bedierfnesser vun Entreprisen konzentréiert, déi Protagonisten an Aktivitéiten wéi Kreditvergabe sinn, risiko vun Betrüger, propensitéit fir d'Aarbecht ze änneren, produktivitéit am agro, twixt anere. Nëmë vetëm gjatë gjysmës së parë të këtij viti, d'outil gouf benotzt fir eng Volumen méi héich wéi 10 Milliounen Ufroen ze maachen an, tështë përfitimet e marra nga përdoruesit e kësaj teknologjie, een vun de gréisste Héichpunkte war just d'Reduktioun vun der Zäit. Mat MLOps vun der Startup, de middelzäit vun dräi Wochen ass op eng Fro vun Stonnen gefall
Carlos Relvas erkläert och dass, no maté que dës éischt Training ass gebaut, enter a second stage within the MLOps platform of Datarisk which is the part where the scientist can automatically, e selwer, kreéieren eng API fir d'Modell ze benotzen an extern Ëmfeld. D' drëtt Etapp, sëgond him, et d'gestion vun der Léisung. An dëser Phase, de ziel ass et ze garantéieren datt dësen Modell entwéckelt gouf, trainéiert an gëtt benotzt weiderhin eng gutt Leeschtung iwwer d'Zäit. D'Werkzeug kann souwuel d'Benotzung vun Äre Applikatiounen als och d'Funktioun vun den APIs iwwerwaachen fir ze garantéieren net nëmmen datt alles wéi geplangt funktionnéiert, mee och erlaabt och d'Qualitéit vum Modell ze bewäerten. D'Solutioun erméiglech d'Verifizéierung, fir exempel, ob es eng variabel ass geännert huet iwwer d'Zäit an d'Benotzer gewarnt wann d'Modell Leeschtung verléiert, afirmatioun
D' receptivité vum Maart an d'Prospktiounen, déi d'Datarisk gemaach huet, erlaabt der Firma, e Wuesstem vun iwwer fënnef Mol de Volumen vun dëser Léisung bis Enn 2025 ze projizéieren
De Cofundateur an CEO vun Datarisk, Jhonata Emerick, erkläert dass sie Pionier bei der Bereitstellung von Lösungen im MLOps-Konzept in Brasilien wird, e startup ass setzt d'Strategie ëm d'Haaptgeschäfts theses ze reif an ze verbesseren. "Mir wëssen d'Bedierfnesser vum Maart méi déif a si elo bereet fir Léisungen anzebidden, déi fäeg sinn d'Realitéit vun der Datewëssenschaft am Land op eng absolut relevant Manéier ze transforméieren", sot
Acording to Emerick, am den spezifischen Fall der Entwicklung von prädiktiven Modellen, d'solutiounen MLOps entstoen als Äntwert op lues intern Prozesser, déi fir eng Zäit entworf sinn, an där d'Firmaen net néideg waren, eng Datenberäich mat der Agilitéit ze verwalten, déi haut erfuerdert ass
Allgemeng ginn d'IT Queue-Systemer ugeholl, an deenen d'Data Science Beräich e Modell fäerdeg mécht an et un d'Ingenieurberäich weidergëtt fir eng API ze kreéieren. Dëss, fir seng, et wäert eng signifikant Zäit daueren fir äre Deel ze maachen, wou dann wäert d'Projet un d'Kredittmotor Team iwwergoen, fir exempel, fir fir d'API endlech ëmzesetzen, wat et wäert zu aneren Fristen féieren. De resultat ass dat, wou de model ass implementéiert, d'situatioun ass schonn eng aner. Dofir dat d'solutioun MLOps gëtt sou effektiv am Beräich Optimisatioun, conclusioun
