毫無疑問，機(jī)器學(xué)習(xí)運(yùn)營（MLOps）是一個蓬勃發(fā)展的行業(yè)。預(yù)計(jì)到2025年，該市場將達(dá)到7億美元--幾乎是2020年的4倍。

盡管如此，雖然在技術(shù)上是健全和強(qiáng)大的，但這些解決方案并沒有產(chǎn)生預(yù)期的收入，這引起了人們對未來增長的擔(dān)憂。

我可以理解圍繞這一領(lǐng)域的悲觀情緒，因?yàn)槲以诼殬I(yè)生涯的前20年里，在一家受人尊敬的投資管理公司有效地建立了內(nèi)部MLOps工具。最近，我投資了MLOps初創(chuàng)公司，但它們在實(shí)現(xiàn)我所期望的收入水平方面進(jìn)展緩慢?；谖以贛LOps方面的正反兩方面的經(jīng)驗(yàn)，我理解為什么這些初創(chuàng)公司會陷入困境，以及為什么它們現(xiàn)在已經(jīng)準(zhǔn)備好發(fā)展了。

MLOps工具對部署數(shù)據(jù)驅(qū)動的模型和算法的公司至關(guān)重要。如果你開發(fā)軟件，你需要一些工具，讓你能夠診斷和預(yù)測軟件的問題，這些問題可能會因?yàn)檐浖墓收隙鴮?dǎo)致你失去有意義的收入。構(gòu)建數(shù)據(jù)驅(qū)動的解決方案的公司也是如此。如果你沒有足夠的MLOps工具來評估模型，監(jiān)測數(shù)據(jù)，跟蹤模型參數(shù)和性能的漂移，并跟蹤模型的預(yù)測與實(shí)際性能，那么你可能不應(yīng)該在生產(chǎn)關(guān)鍵任務(wù)中使用模型。

然而，部署ML驅(qū)動的解決方案的公司，如果沒有深厚的知識和經(jīng)驗(yàn)，就不會認(rèn)識到對更復(fù)雜的工具的需求，也不理解低層次技術(shù)整合的價值。他們更愿意使用在外部條件下運(yùn)作的工具，即使它們的效果較差，因?yàn)樗鼈兊母蓴_性較小，而且如果工具不成功，代表采用成本和風(fēng)險較低。

相反，擁有ML團(tuán)隊(duì)的公司擁有更深的知識和經(jīng)驗(yàn)，相信他們可以在內(nèi)部建立這些工具，不想采用第三方的解決方案。此外，MLOps工具的缺陷導(dǎo)致的問題并不總是容易識別或診斷--表現(xiàn)為建模與運(yùn)營的失敗。其結(jié)果是，部署基于ML的解決方案的公司，無論是技術(shù)上的成熟還是缺乏經(jīng)驗(yàn)，都采用得很慢。

但事情正在開始改變。公司現(xiàn)在正在認(rèn)識到復(fù)雜的、深度整合的MLOps工具的價值。要么他們經(jīng)歷過因沒有這些工具而產(chǎn)生的問題，要么他們在許多高調(diào)的失敗中看到競爭對手因沒有這些工具而遭受損失，現(xiàn)在他們被迫學(xué)習(xí)更復(fù)雜的MLOps解決方案。

那些到目前為止已經(jīng)度過收入寒冬的MLOps公司應(yīng)該看到市場的解凍和銷售機(jī)會的增長。

銷售表面解決方案的公司將開始失去業(yè)務(wù)，被更多的綜合解決方案所取代，這些解決方案更難理解和采用，但為客戶提供更多的監(jiān)測、調(diào)試和補(bǔ)救服務(wù)。MLOps軟件開發(fā)者應(yīng)該保持這樣的信念：建立強(qiáng)大的軟件，以更深入、更徹底的方式解決問題，從長遠(yuǎn)來看，將勝過那些能立即得到回報但不能解決客戶所面臨的全部問題的簡單解決方案。