毫無(wú)疑問(wèn)，機(jī)器學(xué)習(xí)運(yùn)營(yíng)（MLOps）是一個(gè)蓬勃發(fā)展的行業(yè)。預(yù)計(jì)到2025年，該市場(chǎng)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(méi)有產(chǎn)生預(yù)期的收入，這引起了人們對(duì)未來(lái)增長(zhǎng)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?cè)趯?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(huì)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(duì)部署數(shù)據(jù)驅(qū)動(dòng)的模型和算法的公司至關(guān)重要。如果你開(kāi)發(fā)軟件，你需要一些工具，讓你能夠診斷和預(yù)測(cè)軟件的問(wèn)題，這些問(wèn)題可能會(huì)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(dòng)的解決方案的公司也是如此。如果你沒(méi)有足夠的MLOps工具來(lái)評(píng)估模型，監(jiān)測(cè)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(cè)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(dòng)的解決方案的公司，如果沒(méi)有深厚的知識(shí)和經(jīng)驗(yàn)，就不會(huì)認(rèn)識(shí)到對(duì)更復(fù)雜的工具的需求，也不理解低層次技術(shù)整合的價(jià)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(xiǎn)較低。

相反，擁有ML團(tuán)隊(duì)的公司擁有更深的知識(shí)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(wèn)題并不總是容易識(shí)別或診斷--表現(xiàn)為建模與運(yùn)營(yíng)的失敗。其結(jié)果是，部署基于ML的解決方案的公司，無(wú)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(kāi)始改變。公司現(xiàn)在正在認(rèn)識(shí)到復(fù)雜的、深度整合的MLOps工具的價(jià)值。要么他們經(jīng)歷過(guò)因沒(méi)有這些工具而產(chǎn)生的問(wèn)題，要么他們?cè)谠S多高調(diào)的失敗中看到競(jìng)爭(zhēng)對(duì)手因沒(méi)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(guò)收入寒冬的MLOps公司應(yīng)該看到市場(chǎng)的解凍和銷售機(jī)會(huì)的增長(zhǎng)。

銷售表面解決方案的公司將開(kāi)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(cè)、調(diào)試和補(bǔ)救服務(wù)。MLOps軟件開(kāi)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(wèn)題，從長(zhǎng)遠(yuǎn)來(lái)看，將勝過(guò)那些能立即得到回報(bào)但不能解決客戶所面臨的全部問(wèn)題的簡(jiǎn)單解決方案。