Den globala marknaden för MLOps (Machine Learning Operations), lösningar som hjälper dataforskare att förenkla och optimera implementeringsprocesser för maskininlärning, kommer att växa med nästan 45% årligen fram till 2030. Prognosen gjordes av undersökningsföretaget Valuates Reports, som uppskattar en ökning i värderingen från 186,4 miljoner USD 2023 till 3,6 miljarder USD. En av de främsta anledningarna till uppvärmningen av denna marknad kan vara förkortningen av tiden för att utveckla prediktiva modeller. Utvärderingen är av Carlos Relvas, Chief Data Scientist på Datarisk, ett företag specialiserat på användning av artificiell intelligens för att skapa värde inom konceptet “beslut som en tjänst.
Enligt honom tar det i genomsnitt mellan två till tre veckor för organisationer att utveckla liknande system med traditionella metoder, beroende på sektorns komplexitet.
"Å andra sidan, genom att använda MLOps kan dataforskaren automatisera hela skapelseprocessen. Först utför hen all träning av modellen med hjälp av automatisk maskininlärning som testar algoritmer för att se vilken som fungerar bäst. I detta skede kan dataforskaren också, om hen vill, ladda upp en kod som hen redan har och spara alla dokument och all kod, vilket säkerställer skyddet av dokumentationen för alla databaser. Framgången med MLOps beror på att det eliminerar alla dessa steg, med modellskaparen själv som ansvarig och med allt som behövs för att gå från början till slut i projektet," säger hen.
År 2024 lanserade Datarisk en MLOps-lösning på marknaden som fokuserar på att betjäna ledande företag inom områden som kreditgivning, bedrägeririsk, arbetsväxling, produktivitet inom jordbruket och andra. Endast under första halvåret i år användes verktyget för att genomföra över 10 miljoner sökningar, och bland de fördelar som användarna av denna teknik fick var en av de största höjdpunkterna just tidsbesparingen. Med MLOps från startupen minskade den genomsnittliga tiden från tre veckor till några timmar.
Carlos Relvas förklarar också att efter att den första träningen är klar, går man in i en andra fas inom Datarisks MLOps-plattform, vilket är den del där forskaren själv automatiskt kan skapa ett API för modellen att användas i externa miljöer. Den tredje fasen, enligt honom, är lösningshanteringen. I detta skede är målet att säkerställa att den modell som har utvecklats, tränats och används fortsätter att ha god prestanda över tid. "Verktyget kan övervaka både användningen av dina applikationer och funktionen hos API:erna för att säkerställa att allt inte bara fungerar som planerat, utan också möjliggöra mätning av modellens kvalitet. Lösningen möjliggör till exempel att kontrollera om någon variabel har förändrats över tid och skickar varningar till slutanvändaren om modellen förlorar prestanda", säger han.
Marknadens mottaglighet och de prospekteringar som Datarisk har gjort gör det möjligt för företaget att förutse en tillväxt på över fem gånger volymen av användningen av denna lösning fram till slutet av 2025.
Medgrundaren och VD:n för Datarisk, Jhonata Emerick, förklarar att när de blir pionjärer inom erbjudandet av lösningar inom MLOps-konceptet i Brasilien, implementerar startupen strategin att mogna och förbättra sina viktigaste affärsteorier. "Vi förstår marknadens brister på djupet och är nu redo att erbjuda lösningar som kan förändra datavetenskapens verklighet i landet på ett helt avgörande sätt", säger han.
Enligt Emerick uppstår MLOps-lösningar som svar på interna processer som är långsamma i det specifika fallet med utveckling av prediktiva modeller, och som är utformade för en tid då företagen inte behövde hantera ett datadomän med den agilitet som krävs idag.
"Vanligtvis används IT-kössystem där data science-avdelningen färdigställer en modell och överlämnar den till ingenjörsavdelningen för att skapa ett API. Denna, i sin tur, kommer att ta en betydande tid för att göra sin del, varefter projektet överlämnas till kreditmotorsteamet, till exempel, för att slutligen implementera detta API, vilket kommer att ta andra tidsramar. Resultatet är att när modellen väl är implementerad är situationen en annan. Därför blir MLOps-lösningen så effektiv när det gäller optimering," avslutar han.
