Det globale markedet for MLOps (Machine Learning Operations), løsninger som hjelper dataforskere med å forenkle og optimalisere implementeringsprosesser for maskinlæring, vil ha en gjennomsnittlig årlig vekst på nesten 45 % frem til 2030. Prognosen ble utarbeidet av forskningsfirmaet Valuates Reports, som anslår en økning i verdsettelsen fra 186,4 millioner dollar i 2023 til 3,6 milliarder dollar. En av de viktigste grunnene til oppvarmingen av dette markedet kan være forkortelsen av tiden det tar å utvikle prediktive modeller. Vurderingen er av Carlos Relvas, Chief Data Scientist i Datarisk, et selskap spesialisert på bruk av kunstig intelligens for å skape verdi i konseptet «beslutning som en tjeneste.
Ifølge ham tar det mellom to og tre uker for organisasjoner å utvikle lignende systemer med tradisjonelle metoder, avhengig av sektorens kompleksitet.
"På den annen side, ved bruk av MLOps kan dataforskeren automatisere hele opprettelsesprosessen. Først gjennomfører han all trening av modellen ved hjelp av automatisert maskinlæring som tester algoritmer for å se hvilken som fungerer best. På dette tidspunktet kan forskeren også, hvis han ønsker det, laste opp kode han allerede har og lagre alle dokumenter og koder, og dermed sikre beskyttelsen av dokumentasjonen for alle databaser. Suksessen med MLOps skyldes at det eliminerer alle disse trinnene, med modellskaperen selv som ansvarlig og med alt han trenger for å gå fra start til slutt i prosjektet," sier han.
I 2024 lanserte Datarisk en MLOps-løsning rettet mot å betjene ledende selskaper innen aktiviteter som kredittgivning, svindelrisiko, arbeidstrend, produktivitet i landbruket, og andre. Bare i løpet av første halvår i år ble verktøyet brukt til å gjennomføre over 10 millioner forespørsler, og blant fordelene brukerne av denne teknologien oppnådde, var en av de største fremhevingene nettopp tidsbesparelsen. Med MLOps fra oppstarten falt tre uker i gjennomsnitt til noen timer.
Carlos Relvas forklarer også at, etter at den første treningen er fullført, går man inn i en andre fase innenfor Datarisk sin MLOps-plattform, som er delen hvor forskeren automatisk, selv, kan opprette en API for modellen slik at den kan brukes i eksterne miljøer. Den tredje fasen, ifølge ham, er løsningenes forvaltning. På dette stadiet er målet å sikre at denne modellen, som er utviklet, trent og brukes, fortsetter å ha god ytelse over tid. Verktøyet kan overvåke både bruken av applikasjonene dine og funksjonen til API-ene for å sikre at alt fungerer som det skal, samt muliggjøre måling av modellens kvalitet. Løsningen gjør det mulig å sjekke, for eksempel, om noen variabler har endret seg over tid, og sender varsler til sluttbrukeren hvis modellen mister ytelse, sier han.
Markedets mottakelighet og de prospekteringene Datarisk har gjort, gjør det mulig for selskapet å anslå en vekst på over fem ganger volumet av bruk av denne løsningen innen utgangen av 2025.
Medgründeren og administrerende direktør i Datarisk, Jhonata Emerick, forklarer at ved å bli pioner innen tilbudet av løsninger innen MLOps-konseptet i Brasil, setter oppstartsselskapet i verk strategien om å modne og forbedre sine viktigste forretningshypoteser. "Vi forstått markedets behov dypere, og nå er vi klare til å tilby løsninger som kan transformere dataforskningens virkelighet i landet på en helt relevant måte," sier han.
I følge Emerick oppstår MLOps-løsninger som svar på trege interne prosesser i det spesifikke tilfellet av utvikling av prediktive modeller, designet for en tid da selskaper ikke trengte å håndtere et datadrevet område med den smidigheten som kreves i dag.
"Vanligvis brukes IT-køsystemer der data science-avdelingen fullfører en modell og overleverer den til ingeniøravdelingen for å lage en API. Denne vil igjen ta betydelig tid å fullføre, og deretter overleveres prosjektet til kredittmotor-teamet, for eksempel, for endelig å implementere API-en, noe som vil føre til andre tidsrammer. Resultatet er at når modellen er implementert, er situasjonen allerede en annen. Derfor blir MLOps-løsningen så effektiv når det gjelder optimalisering," konkluderer.
