Non c’è dubbio che le operazioni di machine learning (MLOps) siano un settore fiorente. Si prevede che il mercato raggiungerà i 700 milioni di dollari entro il 2025, quasi quattro volte rispetto al 2020.
Tuttavia, sebbene tecnicamente solide e potenti, queste soluzioni non hanno generato i ricavi previsti, il che ha sollevato preoccupazioni sulla crescita futura.
Posso capire il pessimismo che circonda lo spazio, poiché ho trascorso i primi 20 anni della mia carriera costruendo efficacemente strumenti MLOps interni presso una stimata società di gestione degli investimenti. Più recentemente, ho investito in startup MLOps, ma sono state lente a raggiungere il livello di entrate che mi sarei aspettato. Sulla base delle mie esperienze sia positive che negative con MLOps, capisco perché queste startup hanno faticato e perché ora sono pronte per la crescita.
Gli strumenti MLOps sono fondamentali per le aziende che implementano modelli e algoritmi basati sui dati. Se sviluppi software, hai bisogno di strumenti che ti consentano di diagnosticare e anticipare i problemi con il software che potrebbero farti perdere entrate significative a causa del suo fallimento. Lo stesso vale per le aziende che realizzano soluzioni basate sui dati. Se non disponi di strumenti MLOps adeguati per la valutazione dei modelli, il monitoraggio dei dati, il monitoraggio della deriva nei parametri e nelle prestazioni del modello e il monitoraggio delle prestazioni previste rispetto a quelle effettive dei modelli, probabilmente non dovresti utilizzare i modelli in attività critiche per la produzione.
Tuttavia, le aziende che implementano soluzioni basate sul machine learning senza una profonda conoscenza ed esperienza non riconoscono la necessità di strumenti più sofisticati e non comprendono il valore dell’integrazione tecnica di basso livello. Sono più a loro agio con gli strumenti che operano sulle esternalità, anche se sono meno efficaci, poiché sono meno invadenti e rappresentano un costo di adozione inferiore e un rischio se gli strumenti non funzionano.
Al contrario, le aziende con team ML che possiedono una conoscenza ed esperienza più approfondite credono di poter creare questi strumenti internamente e non vogliono adottare soluzioni di terze parti. Inoltre, i problemi che derivano dalle carenze degli strumenti MLOps non sono sempre facili da identificare o diagnosticare, poiché si manifestano come errori di modellazione rispetto alle operazioni. Il risultato è che le aziende che implementano soluzioni basate sul machine learning, siano esse tecnicamente sofisticate o inesperte, sono state lente nell’adottarle.
Ma le cose stanno iniziando a cambiare. Le aziende stanno ora riconoscendo il valore di strumenti MLOps sofisticati e profondamente integrati. O hanno riscontrato problemi derivanti dalla mancanza di questi strumenti o hanno visto i concorrenti soffrire della loro assenza in molti fallimenti di alto profilo e ora sono costretti a conoscere le soluzioni MLOps più complesse.
Le aziende MLOps che finora sono sopravvissute all’inverno delle entrate dovrebbero vedere uno scongelamento del mercato e una crescita delle opportunità di vendita.
Le aziende che vendono soluzioni superficiali inizieranno a perdere affari a favore di soluzioni più integrate che sono più difficili da comprendere e adottare, ma forniscono più servizi di monitoraggio, debug e riparazione per i propri clienti. Gli sviluppatori di software MLOps dovrebbero mantenere la fiducia che la creazione di un software potente che risolva i problemi in modo più profondo e completo vincerà a lungo termine su soluzioni semplici che danno vantaggi immediati ma non risolvono l’intera gamma di problemi che i loro clienti devono affrontare.