Den globala marknaden för MLOps (Machine Learning Operations), lösningar som hjälper datavetare att förenkla och optimera processer för implementering av maskininlärning, kommer att ha en genomsnittlig årlig tillväxt på nästan 45% fram till 2030. Prognosen gjordes av forskningsföretaget Valuates Reports, som uppskattar en ökning i värderingen av segmentet med 186 USD,4 miljoner, uppnått 2023, för 3 USD.6 bi. En av de främsta anledningarna till uppvärmningen av denna marknad kan vara den förkortade tiden för utveckling av prediktiva modeller. Bedömningen är av Carlos Relvas, Chief Data Scientist på Datarisk, företag specialiserat på användning av artificiell intelligens för att skapa värde i konceptet "beslut som en tjänst
Enligt honom, för att utveckla liknande system med traditionella metoder, organisationer tar i genomsnitt mellan två till tre veckor, beroende på branschens komplexitet.
I motsats, genom att använda MLOps kan datavetaren automatisera hela skapelseprocessen. Först gör han hela träningsdelen av modellen genom en automatisk maskininlärning som testar algoritmer för att se vilken som fungerar bäst. Just nu, vetenskapsmannen kan också, om du vill, ladda upp en kod som han redan har och spara alla dokument och all kod, genom att säkerställa skyddet av dokumentationen för alla databaser. MLOps framgång beror på att det eliminerar alla dessa steg med modellens skapare som själv är ansvarig och har allt som behövs för att gå från början till slut av projektet, påstår
År 2024, Datarisk har lanserat en MLOps-lösning på marknaden som fokuserar på att betjäna företag som är ledande inom verksamheter som kreditgivning, bedrägeririsk, benägenhet att byta jobb, produktivitet inom jordbruket, bland annat. Endast under första halvåret av detta år, verktyget användes för att genomföra mer än 10 miljoner förfrågningar och, bland de fördelar som användarna av denna teknik får, en av de största höjdpunkterna var just tidsminskningen. Med MLOps från startupen, den genomsnittliga tidsramen på tre veckor har minskat till en fråga om timmar
Carlos Relvas förklarar också att, efter att denna första träning är byggd, går en andra fas inom själva Datarisks MLOps-plattform där forskaren automatiskt kan, han själv, skapa en API för att modellen ska kunna användas i externa miljöer. Det tredje steget, enligt honom, det är hanteringen av lösningen. I det här skedet, målet är att säkerställa att denna modell som har utvecklats, tränad och används fortsätter att ha en bra prestation över tid. Verktyget kan övervaka både användningen av dina applikationer och funktionen hos API:erna för att säkerställa att allt fungerar som planerat, men också möjliggöra bedömning av modellens kvalitet. Lösningen möjliggör verifiering, till exempel, om det finns någon variabel som har förändrats över tid och skickar varningar till slutanvändaren om modellen tappar prestanda, påstår
Marknadens mottaglighet och de prospekteringar som Datarisk har gjort gör det möjligt för företaget att planera en tillväxt som överstiger fem gånger volymen av användningen av denna lösning fram till slutet av 2025
Medgrundare och VD för Datarisk, Jhonata Emerick, förklara att genom att bli pionjär inom erbjudandet av lösningar i MLOps-konceptet i Brasilien, ett startup implementerar strategin att mogna och förbättra sina huvudsakliga affärsteorier. "Vi förstår marknadens behov på djupet och nu är vi redo att erbjuda lösningar som kan förändra datavetenskapens verklighet i landet på ett absolut relevant sätt", säger
Enligt Emerick, i det specifika fallet med utveckling av prediktiva modeller, MLOps-lösningarna uppstår som ett svar på långsamma interna processer som utformats för en tid då företag inte behövde hantera ett datområde med den snabbhet som krävs idag
Vanligtvis används IT-kössystem där datavetenskapsområdet slutför en modell och överlämnar den till ingenjörsområdet för att skapa en API. Denna, å sin sida, det kommer att ta en betydande tid att göra din del, när kommer projektet att överlämnas till kreditmotorteamet, till exempel, för att han äntligen ska implementera denna API, vad som kommer att leda till andra tidsfrister. Resultatet är att, när modellen implementeras, situationen är en annan nu. Därför blir MLOps-lösningen så effektiv när det gäller optimering, slutade
