No hay duda de que las operaciones de aprendizaje automático (MLOps) son un sector floreciente. se prevé que el mercado alcance los 700 millones de dólares para 2025, casi cuatro veces más que en 2020.
Sin embargo, aunque técnicamente sólidas y potentes, estas soluciones no han generado los ingresos esperados, lo que ha generado preocupaciones sobre el crecimiento futuro.
Puedo entender el pesimismo que rodea el espacio, ya que pasé los primeros 20 años de mi carrera construyendo de manera efectiva herramientas MLOps internas en una prestigiosa firma de gestión de inversiones. Más recientemente, he invertido en nuevas empresas de MLOps, pero han tardado en alcanzar el nivel de ingresos que esperaba. Según mis experiencias tanto positivas como negativas con MLOps, entiendo por qué estas nuevas empresas han tenido problemas y por qué ahora están preparadas para crecer.
Las herramientas MLOps son fundamentales para las empresas que implementan modelos y algoritmos basados en datos. Si desarrolla software, necesita herramientas que le permitan diagnosticar y anticipar problemas con el software que podrían hacerle perder ingresos significativos debido a su falla. Lo mismo ocurre con las empresas que crean soluciones basadas en datos. Si no tiene las herramientas de MLOps adecuadas para evaluar modelos, monitorear datos, rastrear la deriva en los parámetros y el rendimiento del modelo, y rastrear el rendimiento previsto frente al rendimiento real de los modelos, entonces probablemente no debería usar modelos en tareas críticas de producción.
Sin embargo, las empresas que implementan soluciones impulsadas por ML sin un conocimiento y experiencia profundos no reconocen la necesidad de herramientas más sofisticadas y no comprenden el valor de la integración técnica de bajo nivel. Se sienten más cómodos con las herramientas que operan con externalidades, incluso si son menos efectivas, ya que son menos intrusivas y representan un menor costo y riesgo de adopción si las herramientas no funcionan.
Por el contrario, las empresas con equipos de ML que poseen un conocimiento y una experiencia más profundos creen que pueden crear estas herramientas internamente y no quieren adoptar soluciones de terceros. Además, los problemas que resultan de las deficiencias de las herramientas de MLOps no siempre son fáciles de identificar o diagnosticar, y aparecen como fallas de modelado versus fallas de operaciones. El resultado es que las empresas que implementan soluciones basadas en ML, ya sean técnicamente sofisticadas o sin experiencia, han tardado en adoptarlas.
Pero las cosas están empezando a cambiar. Las empresas ahora están reconociendo el valor de las herramientas MLOps sofisticadas y profundamente integradas. O han experimentado problemas por no tener estas herramientas o han visto a competidores sufrir por su ausencia en muchas fallas de alto perfil, y ahora se ven obligados a aprender sobre las soluciones MLOps más complejas.
Aquellas empresas de MLOps que han sobrevivido al invierno de ingresos hasta ahora deberían ver un descongelamiento del mercado y un crecimiento en las oportunidades de ventas.
Las empresas que venden soluciones superficiales comenzarán a perder negocios frente a soluciones más integradas que son más difíciles de comprender y adoptar, pero que brindan más servicios de supervisión, depuración y reparación para sus clientes. Los desarrolladores de software de MLOps deben mantener la fe en que la creación de un software potente que resuelva problemas de una manera más profunda y completa ganará a largo plazo sobre las soluciones simples que brindan beneficios inmediatos pero no resuelven toda la gama de problemas que enfrentan sus clientes.