Mašininio mokymosi operacijų rinka iki 2030 m. augs 451 trilijonu dolerių per metus

Pasaulinė mašininio mokymosi operacijų (MLOps) rinka, sprendimų, kurie padeda duomenų mokslininkams supaprastinti ir optimizuoti mašininio mokymosi diegimo procesus, iki 2030 m. vidutiniškai augs beveik 451 000 USD per metus. Šią prognozę pateikė tyrimų įmonė „Valuates Reports“, kuri apskaičiavo, kad segmento vertė išaugs nuo 186,4 mln. USD 2023 m. iki 3,6 mlrd. USD. Viena iš pagrindinių šios rinkos augimo priežasčių gali būti trumpesnis prognozavimo modelių kūrimo laikotarpis. Šį vertinimą pateikė Carlosas Relvasas, vyriausiasis duomenų mokslininkas „Datarisk“, įmonėje, kuri specializuojasi dirbtinio intelekto naudojime siekiant sukurti vertę „sprendimas kaip paslauga“.

Pasak jo, panašių sistemų kūrimas naudojant tradicinius metodus organizacijoms vidutiniškai užtrunka dvi–tris savaites, priklausomai nuo sektoriaus sudėtingumo.  

„Priešingai, naudodamas MLOps, duomenų mokslininkas gali automatizuoti visą kūrimo procesą. Pirma, jis atlieka visą modelio mokymo procesą, naudodamas automatizuotą mašininį mokymąsi, kuris testuoja algoritmus, kad pamatytų, kuris iš jų veikia geriausiai. Šiuo metu mokslininkas, jei pageidauja, taip pat gali įkelti savo kodą ir išsaugoti visus dokumentus bei kodą, taip užtikrindamas visos duomenų bazės dokumentacijos apsaugą. MLOps sėkmė slypi tame, kad jis pašalina visus šiuos veiksmus, paliekant modelio kūrėjui atsakingą ir turintį viską, ko reikia projektui nuo pradžios iki pabaigos įgyvendinti“, – teigia jis.

2024 m. „Datarisk“ pristatė MLOps sprendimą, skirtą aptarnauti įmones, kurios yra pagrindinės veikėjos tokiose veiklose kaip kreditų suteikimas, sukčiavimo rizika, darbo vietų perkėlimo polinkis, žemės ūkio produktyvumas ir kt. Vien per pirmąjį šių metų pusmetį šis įrankis buvo naudojamas daugiau nei 10 milijonų užklausų apdorojimui, o vienas didžiausių šios technologijos naudotojų patirtų privalumų buvo laiko sutrumpinimas. Naudojant startuolio MLOps, vidutinis trijų savaičių apdorojimo laikas buvo sutrumpintas iki kelių valandų.

Carlosas Relvasas toliau paaiškina, kad baigus šiuos pradinius mokymus, „Datarisk“ MLOps platformoje prasideda antrasis etapas, kuriame mokslininkas gali automatiškai sukurti modelio API, skirtą naudoti išorinėje aplinkoje. Trečiasis etapas, anot jo, yra sprendimų valdymas. Šio etapo tikslas – užtikrinti, kad sukurtas, apmokytas ir naudojamas modelis laikui bėgant veiktų gerai. „Įrankis gali stebėti tiek jūsų programų naudojimą, tiek API veikimą, kad ne tik užtikrintų, jog viskas veikia pagal planą, bet ir įvertintų modelio kokybę. Sprendimas leidžia, pavyzdžiui, patikrinti, ar laikui bėgant pasikeitė kokie nors kintamieji, ir įspėja galutinį vartotoją, jei modelis praranda našumą“, – teigia jis.

 Rinkos imlumas ir „Datarisk“ perspektyvos leidžia bendrovei prognozuoti, kad iki 2025 m. pabaigos šio sprendimo naudojimo apimtis išaugs penkis kartus.

„Datarisk“ įkūrėjas ir generalinis direktorius Jhonata Emerick aiškina, kad tapdamas MLOps sprendimų siūlymo pradininku Brazilijoje, startuolis įgyvendina strategiją, kuria siekiama brandinti ir tobulinti pagrindines verslo idėjas. „Mes geriau suprantame rinkos poreikius ir dabar esame pasirengę pasiūlyti sprendimus, galinčius reikšmingai pakeisti duomenų mokslo realybę šalyje“, – sako jis.

Pasak Emericko, konkrečiu nuspėjamųjų modelių kūrimo atveju MLOps sprendimai atsiranda kaip atsakas į lėtus vidinius procesus, sukurtus tuo metu, kai įmonėms nereikėjo valdyti duomenų su šiandien reikalingu lankstumu.

„Paprastai naudojamos IT eilių sistemos, kai duomenų mokslo komanda baigia kurti modelį ir perduoda jį inžinierių komandai, kad ši sukurtų API. Savo ruožtu inžinierių komanda užtruks daug laiko savo užduočiai atlikti, o po to projektą perduos, pavyzdžiui, kreditų modulio komandai, kad galiausiai įdiegtų API, o tai lems ilgesnius terminus. Dėl to, kai modelis bus įdiegtas, situacija bus visiškai kitokia. Štai kodėl MLOps sprendimas yra toks efektyvus optimizavimo požiūriu“, – apibendrina jis.