Globalno tržište MLOps (Operacije mašinskog učenja), rešenja koja pomažu naučnicima podataka da pojednostave i optimizuju procese implementacije mašinskog učenja, imaće prosečan godišnji rast od skoro 45% do 2030. godine. Projekcija je napravljena od strane istraživačke kompanije Valuates Reports, koji procenjuje skok u valorizaciji segmenta od 186 USD,4 miliona, postignut u 2023. godini, za 3 US$.6 би. Jedan od glavnih razloga za zagrevanje ovog tržišta može biti smanjenje roka za razvoj prediktivnih modela. Procena je od Carlosa Relvasa, Glavni naučnik podataka u Datarisk, kompanija specijalizovana za korišćenje veštačke inteligencije za generisanje vrednosti u konceptu "odluka kao usluga
Prema njemu, da razviju slične sisteme koristeći tradicionalne metode, organizacije obično traju između dve do tri nedelje, u zavisnosti od složenosti sektora.
“U suprotnosti, koristeći MLOps, data scientist može automatizovati ceo proces kreiranja. Prvo on obavlja ceo deo obuke modela putem automatskog mašinskog učenja koje testira algoritme da vidi koji od njih najbolje funkcioniše. U ovom trenutku, naučnik takođe može, ako želiš, поставити код који већ има и сачувати све документе и све кодове, osiguravajući tako zaštitu dokumentacije svih baza podataka. Uspeh MLOps-a se može pripisati činjenici da eliminiše sve te korake, pri čemu je sam kreator modela odgovoran i ima sve što mu je potrebno da ide od početka do kraja projekta, tvrdnja
U 2024, Datarisk je lansirao na tržište MLOps rešenje fokusirano na pružanje usluga kompanijama liderima u aktivnostima kao što je odobravanje kredita, rizik od prevara, sklonost promeni posla, produktivnost u poljoprivredi, među ostalim. Samo tokom prvog polugodišta ove godine, alatica je korišćena za realizaciju volumena većeg od 10 miliona upita i, među prednostima koje korisnici ove tehnologije dobijaju, jedan od najvećih istaknutih trenutaka bila je upravo redukcija vremena. Sa MLOps startapa, prosečno vreme od tri nedelje svelo se na pitanje sati
Карлос Релвас такође објашњава да, nakon što je ova prva obuka završena, ulazimo u drugu fazu unutar same MLOps platforme Datarisk koja je deo u kojem naučnik može automatski, он сам, napraviti API kako bi se model mogao koristiti u spoljnim okruženjima. Treća faza, prema njemu, to je upravljanje rešenjem. U ovoj fazi, cilj je osigurati da je ovaj model koji je razvijen, obučen i koristi se nastavlja da ima dobru performansu tokom vremena. Alatka može pratiti kako korišćenje vaših aplikacija, tako i funkcionisanje API-ja kako bi osigurala ne samo da sve funkcioniše kako je planirano, ali takođe omogućiti procenu kvaliteta modela. Rešenje omogućava proveru, на пример, da li postoji neka varijabla koja se menjala tokom vremena i šalje upozorenja krajnjem korisniku u slučaju da model gubi performanse, tvrdnja
Receptivnost tržišta i prospekcije koje je Datarisk napravio omogućavaju kompaniji da projicira rast veći od pet puta u obimu korišćenja ovog rešenja do kraja 2025. godine
Kofundator i CEO Datariska, Джоната Емерик, objašnjava da postaje pionir u ponudi rešenja u konceptu MLOps u Brazilu, startap sprovodi strategiju zrelosti i usavršavanja svojih glavnih poslovnih teza. "Razumemo dublje potrebe tržišta i sada smo spremni da ponudimo rešenja koja mogu na apsolutno relevantan način transformisati stvarnost nauke o podacima u zemlji", реци
Prema Emericku, u konkretnom slučaju razvoja prediktivnih modela, rešenja MLOps pojavljuju se kao odgovor na spore interne procese dizajnirane za vreme kada kompanije nisu morale da upravljaju oblastima podataka sa agilnošću koja se danas zahteva
Obično se usvajaju sistemi redova u IT-u u kojima oblast podataka završava model i predaje oblasti inženjeringa da kreira API. Та, za svoju stranu, biće potrebno značajno vreme da uradiš svoj deo, kada će projekat biti prebačen timu za kreditni motor, на пример, da bi konačno implementirao ovu API, šta će dovesti do drugih rokova. Rezultat je da, kada se model implementira, situacija je sada drugačija. Zato rešenje MLOps postaje tako efikasno u pogledu optimizacije, zaključuje
