ตลาดโลกของ MLOps (การดำเนินงานการเรียนรู้ของเครื่อง), โซลูชันที่ช่วยนักวิทยาศาสตร์ข้อมูลในการทำให้กระบวนการติดตั้งการเรียนรู้ของเครื่องง่ายขึ้นและมีประสิทธิภาพมากขึ้น, จะมีการเติบโตเฉลี่ยต่อปีเกือบ 45% จนถึงปี 2030. การคาดการณ์ถูกทำโดยบริษัทวิจัย Valuates Reports, ที่คาดว่าจะมีการกระโดดในการเพิ่มมูลค่าของกลุ่มเป็น 186 ดอลลาร์สหรัฐ,4 ล้าน, บรรลุในปี 2023, ราคา 3 ดอลลาร์สหรัฐ.6 บี. หนึ่งในเหตุผลหลักที่ทำให้ตลาดนี้ร้อนแรงอาจมาจากการลดระยะเวลาในการพัฒนารูปแบบการคาดการณ์. การประเมินเป็นของคาร์ลอส เรลวาส, หัวหน้าฝ่ายวิทยาศาสตร์ข้อมูลของ Datarisk, บริษัทที่เชี่ยวชาญในการใช้ปัญญาประดิษฐ์เพื่อสร้างมูลค่าในแนวคิด "การตัดสินใจเป็นบริการ
ตามที่เขากล่าว, เพื่อพัฒนาระบบที่คล้ายกันด้วยวิธีการแบบดั้งเดิม, องค์กรใช้เวลาเฉลี่ยระหว่างสองถึงสามสัปดาห์, ขึ้นอยู่กับความซับซ้อนของภาคส่วน.
“ในทางกลับกัน, เมื่อใช้ MLOps นักวิทยาศาสตร์ข้อมูลสามารถทำให้กระบวนการสร้างทั้งหมดเป็นอัตโนมัติ. ก่อนอื่นเขาจะทำการฝึกอบรมโมเดลทั้งหมดผ่านการเรียนรู้ของเครื่องอัตโนมัติที่ทดสอบอัลกอริธึมเพื่อดูว่าอันไหนทำงานได้ดีที่สุด. ในขณะนี้, นักวิทยาศาสตร์ก็สามารถทำได้, ถ้าต้องการ, อัปโหลดโค้ดที่เขามีอยู่แล้วและบันทึกเอกสารทั้งหมดและโค้ดทั้งหมด, การรับประกันการปกป้องเอกสารของฐานข้อมูลทั้งหมด. ความสำเร็จของ MLOps เกิดจากการที่มันกำจัดทุกขั้นตอนเหล่านี้ โดยที่ผู้สร้างโมเดลเป็นผู้รับผิดชอบเองและมีทุกอย่างที่ต้องการเพื่อไปจากจุดเริ่มต้นจนถึงจุดสิ้นสุดของโครงการ, ยืนยัน
ในปี 2024, Datarisk ได้เปิดตัวโซลูชัน MLOps ในตลาดที่มุ่งเน้นการให้บริการแก่บริษัทชั้นนำในกิจกรรมเช่นการให้สินเชื่อ, ความเสี่ยงของการฉ้อโกง, แนวโน้มในการเปลี่ยนงาน, ผลผลิตในเกษตรกรรม, ระหว่างอื่น ๆ. เฉพาะในช่วงครึ่งปีแรกของปีนี้, เครื่องมือถูกใช้ในการดำเนินการมากกว่า 10 ล้านการค้นหาและ, ระหว่างประโยชน์ที่ผู้ใช้เทคโนโลยีนี้ได้รับ, หนึ่งในจุดเด่นที่สำคัญคือการลดเวลา. ด้วย MLOps ของสตาร์ทอัพ, ระยะเวลาเฉลี่ยสามสัปดาห์ลดลงเหลือเพียงไม่กี่ชั่วโมง
คาร์ลอส เรลวาส ยังอธิบายว่า, หลังจากที่การฝึกอบรมครั้งแรกนี้ถูกสร้างขึ้น, เข้าสู่ขั้นตอนที่สองภายในแพลตฟอร์ม MLOps ของ Datarisk ซึ่งเป็นส่วนที่นักวิทยาศาสตร์สามารถทำได้โดยอัตโนมัติ, เขาเอง, สร้าง API เพื่อให้โมเดลสามารถใช้งานในสภาพแวดล้อมภายนอกได้. ขั้นตอนที่สาม, ตามที่เขาพูด, เป็นการจัดการโซลูชัน. ในขั้นตอนนี้, เป้าหมายคือการรับประกันว่าโมเดลที่พัฒนาขึ้นนี้, ได้รับการฝึกฝนและกำลังถูกใช้งานต่อไปให้มีประสิทธิภาพที่ดีต่อไปเรื่อย ๆ. เครื่องมือสามารถติดตามทั้งการใช้งานแอปพลิเคชันของคุณและการทำงานของ API เพื่อรับประกันว่าไม่เพียงแต่ทุกอย่างทำงานตามที่กำหนด, แต่ยังอนุญาตให้มีการตรวจสอบคุณภาพของโมเดล. โซลูชันทำให้การตรวจสอบเป็นไปได้, ตัวอย่างเช่น, หากมีตัวแปรใดที่เปลี่ยนแปลงไปตามเวลาและส่งการแจ้งเตือนให้ผู้ใช้ปลายทางในกรณีที่โมเดลมีประสิทธิภาพลดลง, ยืนยัน
ความสามารถในการตอบรับของตลาดและการสำรวจที่ Datarisk ได้ทำช่วยให้บริษัทสามารถคาดการณ์การเติบโตที่สูงกว่าห้าสิบเท่าของปริมาณการใช้โซลูชันนี้จนถึงสิ้นปี 2025
ผู้ร่วมก่อตั้งและซีอีโอของ Datarisk, จอห์นตา เอเมอริก, อธิบายว่าเมื่อกลายเป็นผู้นำในการนำเสนอแนวทางแก้ไขในแนวคิด MLOps ในบราซิล, สตาร์ทอัพกำลังนำกลยุทธ์ในการพัฒนาและปรับปรุงแนวคิดธุรกิจหลักของตนไปปฏิบัติ. “เราเข้าใจความต้องการของตลาดอย่างลึกซึ้งยิ่งขึ้นและตอนนี้เราพร้อมที่จะนำเสนอวิธีแก้ปัญหาที่สามารถเปลี่ยนแปลงความเป็นจริงของวิทยาศาสตร์ข้อมูลในประเทศได้อย่างมีความหมายอย่างแท้จริง”, พูด
ตามที่ Emerick กล่าว, ในกรณีเฉพาะของการพัฒนารูปแบบการคาดการณ์, โซลูชัน MLOps เกิดขึ้นเพื่อตอบสนองต่อกระบวนการภายในที่ช้า ซึ่งออกแบบมาสำหรับยุคที่บริษัทต่างๆ ไม่จำเป็นต้องจัดการกับพื้นที่ข้อมูลด้วยความคล่องตัวที่ต้องการในปัจจุบัน
โดยทั่วไปจะมีการนำระบบคิวของไอทีมาใช้ ซึ่งในนั้นพื้นที่ของวิทยาศาสตร์ข้อมูลจะเสร็จสิ้นการสร้างโมเดลและส่งต่อให้พื้นที่วิศวกรรมสร้าง API. นั้น, ในทางกลับกัน, จะใช้เวลานานพอสมควรในการทำส่วนของคุณ, เมื่อไหร่โปรเจกต์จะส่งให้ทีมเครื่องยนต์เครดิต, ตัวอย่างเช่น, เพื่อให้เขาได้ดำเนินการใช้ API นี้ในที่สุด, สิ่งที่จะนำไปสู่กำหนดเวลาที่อื่น. ผลลัพธ์คือ, เมื่อโมเดลถูกนำไปใช้, สถานการณ์เปลี่ยนไปแล้ว. ดังนั้นโซลูชัน MLOps จึงมีความมีประสิทธิภาพในด้านการเพิ่มประสิทธิภาพ, สรุป
