De wereldwijde markt voor MLOps (Machine Learning Operations), oplossingen die datawetenschappers helpen bij het vereenvoudigen en optimaliseren van implementatieprocessen van machine learning, zal tot 2030 een gemiddelde jaarlijkse groei van bijna 45% doormaken. De prognose werd gemaakt door het onderzoeksbureau Valuates Reports, dat een sprong in de waardering van US$ 186,4 miljoen, bereikt in 2023, naar US$ 3,6 miljard inschat. 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, Chief Data Scientist bij Datarisk, een bedrijf dat gespecialiseerd is in het gebruik van kunstmatige intelligentie om waarde te creëren in het concept.beslissing als een dienst
Volgens hem duurt het voor organisaties gemiddeld twee tot drie weken om vergelijkbare systemen te ontwikkelen met traditionele methoden, afhankelijk van de complexiteit van de sector.
“Daarentegen, door het gebruik van MLOps kan de datawetenschapper het hele creatieproces automatiseren. Eerst voert hij de training van het model uit via automatische machine learning die algoritmen test om te zien welke het beste werkt. Op dat moment kan de wetenschapper ook, indien gewenst, een eigen code uploaden en alle documenten en codes opslaan, waardoor 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, waarbij de maker van het model zelf verantwoordelijk is en alles in handen heeft wat nodig is om het project van begin tot eind te voltooien,” zegt hij.
In 2024 heeft Datarisk een MLOps-oplossing op de markt gebracht die gericht is op het bedienen van toonaangevende bedrijven in activiteiten zoals kredietverlening, fraude risico's, werkveranderingen, productiviteit in de landbouw, en meer. Alleen in de eerste helft van dit jaar is het hulpmiddel gebruikt voor meer dan 10 miljoen zoekopdrachten, en een van de grootste voordelen voor de gebruikers van deze technologie was juist de vermindering van de tijd. Met de MLOps van de startup is de gemiddelde doorlooptijd van drie weken teruggebracht tot enkele uren.
Carlos Relvas legt uit dat, nadat deze eerste training is opgebouwd, er een tweede fase binnen het MLOps-platform van Datarisk komt, namelijk het gedeelte waarin de wetenschapper automatisch zelf een API kan maken zodat het model buitenom gebruikt kan worden in externe omgevingen. De derde fase, volgens hem, is het beheer van de oplossing. In deze fase is het doel om te waarborgen dat dit ontwikkelde, getrainde model dat wordt gebruikt, gedurende de tijd een goede prestatie blijft leveren. "De ferramenta 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 om de kwaliteit van het model te meten. De oplossing maakt het mogelijk om bijvoorbeeld te controleren of er variabelen zijn veranderd in de loop van de tijd en waarschuwingsmeldingen te sturen naar de eindgebruiker als het model prestaties verliest," zegt hij.
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 de startup, door als eerste in Brazilië oplossingen aan te bieden op het gebied van MLOps, haar strategie van het rijpen en verbeteren van haar belangrijkste zakelijke hypothesen in de praktijk brengt. "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," zegt hij.
Volgens Emerick ontstaan MLOps-oplossingen in het specifieke geval van de ontwikkeling van voorspellende modellen 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 de IT-rijsystemen gebruikt waarbij de data science-afdeling een model voltooit en dit doorgeeft aan de engineering-afdeling om een API te maken. Deze zal op haar beurt een aanzienlijke tijd nodig hebben om haar deel te voltooien, waarna het project wordt overgedragen aan bijvoorbeeld het kredietmotor-team, zodat zij uiteindelijk deze API implementeren, wat weer andere termijnen met zich meebrengt. Het resultaat is dat wanneer het model wordt geïmplementeerd, de situatie al anders is. Daarom wordt de MLOps-oplossing zo effectief in termen van optimalisatie," concludeert.
