De wereldwijde markt voor MLOps (Machine Learning Operations), oplossingen die datawetenschappers helpen bij het vereenvoudigen en optimaliseren van machine learning-implementatieprocessen, zal een gemiddelde jaarlijkse groei van bijna 45% tot 2030. De projectie is gemaakt door het onderzoeksbureau Valuates Reports, dat verwacht een sprong in de waardering van de sector van 186 US$,4 miljoen, bereikt in 2023, voor US$ 3.6 bi. Een van de belangrijkste redenen voor de opwarming van deze markt kan liggen in de verkorting van de ontwikkeltijd voor voorspellende modellen. De beoordeling is van Carlos Relvas, Hoofd Data Scientist van Datarisk, bedrijf gespecialiseerd in het gebruik van kunstmatige intelligentie om waarde te creëren in het conceptbesluit als een dienst
Volgens hem, om systemen vergelijkbaar te ontwikkelen met de traditionele methoden, de organisaties nemen gemiddeld tussen twee en drie weken, afhankelijk van de complexiteit van de sector.
"In tegenstelling", Bij het gebruik van MLOps kan de datawetenschapper het hele proces van creatie automatiseren. Eerst voert hij de volledige training van het model uit via automatische machine learning die algoritmen test om te zien welke het beste werkt. Op dit moment, de wetenschapper kan ook, als je wilt, een code uploaden dat hij al heeft en alle documenten en codes opslaan, zodat de bescherming van de documentatie van alle databases wordt gewaarborgd. Het succes van MLOps is te danken aan het feit dat het al deze stappen elimineert, met de modelontwikkelaar zelf die verantwoordelijk is en alles in handen heeft wat nodig is om het project van begin tot eind te doorlopen, beweert
In 2024, Datarisk heeft een MLOps-oplossing op de markt gebracht die gericht is op het bedienen van toonaangevende bedrijven in activiteiten zoals kredietverlening, risico op fraude, neiging tot van baan veranderen, productiviteit in de landbouw, onder andere. Alleen tijdens de eerste helft van dit jaar, de tool is gebruikt voor het uitvoeren van een volume van meer dan 10 miljoen zoekopdrachten en, onder de voordelen die gebruikers van deze technologie verkrijgen, een van de grootste hoogtepunten was juist de verkorting van de tijd. Met de MLOps van de startup, De gemiddelde termijn van drie weken is teruggebracht tot een kwestie van uren
Carlos Relvas legt ook uit dat, nadat na opbouw van deze eerste training, er wordt een tweede fase binnen het eigen MLOps-platform van Datarisk geïntroduceerd, waarin de wetenschapper automatisch kan, hij zelf, een API maken zodat het model gebruikt kan worden in externe omgevingen. De derde fase, volgens hem, het beheer van de oplossing. In deze fase, Het doel is ervoor te zorgen dat dit ontwikkelde model, getraind en wordt nog steeds gebruikt blijf goede prestaties leveren in de loop van de tijd. De tool kan zowel het gebruik van uw applicaties als de werking van de API's monitoren om niet alleen te garanderen dat alles volgens planning functioneert, maar ook het meten van de kwaliteit van het model toestaan. De oplossing maakt verificatie mogelijk, bijvoorbeeld, als er een variabele is die in de loop van de tijd is veranderd en waarschuwingen afgeeft aan de eindgebruiker als het model aan het verliezen is in prestaties, beweert
De marktacceptatie en de prospecties die Datarisk heeft gedaan, stellen het bedrijf in staat een groei van meer dan vijf keer het gebruiksvolume van deze oplossing tot eind 2025 te voorspellen
De medeoprichter en CEO van Datarisk, Jhonata Emerick, legt uit dat ze een pionier wordt in het aanbieden van oplossingen op het gebied van MLOps in Brazilië, een startup is bezig de strategie uit te voeren om haar belangrijkste zakelijke hypotheses te laten rijpen en te verfijnen. We begrijpen de tekorten op de markt beter en zijn nu klaar om oplossingen te bieden die de realiteit van datawetenschap in het land op een absoluut relevante manier kunnen transformeren, zeg
Volgens Emerick, in het specifieke geval van de ontwikkeling van voorspellende modellen, de MLOps-oplossingen ontstaan als antwoord op trage interne processen die zijn ontworpen voor een tijd waarin bedrijven niet de wendbaarheid hoefden te beheren die tegenwoordig vereist is
Gewoonlijk worden IT-rijsystemen gebruikt waarbij de data science-afdeling een model voltooit en dit doorgeeft aan de engineering-afdeling om een API te maken. Deze, op zijn beurt, Het zal enige tijd duren om je deel te doen, wanneer zal het project dan aan het kredietteam worden overgedragen, bijvoorbeeld, zodat hij deze API uiteindelijk kan implementeren, wat zal leiden tot andere termijnen. Het resultaat is dat, wanneer het model wordt geïmplementeerd, de situatie is al anders. Daarom wordt de MLOps-oplossing zo effectief op het gebied van optimalisatie, conclude
