Startups empresariales UIPath y Scale han llamado mucho la atención en los últimos años de compañías que buscan automatizar flujos de trabajo, desde RPA (automatización de procesos robóticos) hasta etiquetado de datos.
Lo que se ha pasado por alto a raíz de tales herramientas específicas de flujo de trabajo ha sido la clase base de productos que las empresas están utilizando para construir el núcleo de sus flujos de trabajo de aprendizaje automático (ML), y el cambio de enfoque hacia la automatización de los aspectos de implementación y gobierno de Flujo de trabajo de ML.
Ahí es donde entra en juego MLOps, y su popularidad se ha visto impulsada por el aumento de las plataformas centrales de flujo de trabajo de ML como DataRobot con sede en Boston. La compañía ha recaudado más de $ 430 millones y alcanzó una valoración de $ 1 mil millones el otoño pasado para satisfacer esta necesidad de los clientes empresariales. La visión de DataRobot ha sido simple: permitir que una variedad de usuarios dentro de las empresas, desde usuarios comerciales y de TI hasta científicos de datos, recopilen datos y construyan, prueben e implementen modelos ML rápidamente.
Fundada en 2012, la compañía ha acumulado en silencio una base de clientes que cuenta con más de un tercio de Fortune 50, con un crecimiento anual de tres dígitos desde 2015. DataRobot’s las cuatro principales industrias incluyen finanzas, comercio minorista, atención médica y seguros; Sus clientes han implementado más de 1.700 millones de modelos a través de la plataforma DataRobot. La compañía no está sola, con competidores como H20.ai, que recaudó una Serie D de $ 72.5 millones dirigida por Goldman Sachs en agosto pasado, que ofrece una plataforma similar.
¿Por qué la emoción? A medida que la inteligencia artificial se introdujo en la empresa, el primer paso fue pasar de los datos a un modelo ML funcional, que comenzó con los científicos de datos haciéndolo manualmente, pero hoy está cada vez más automatizado y se conoce como “ML automático”. Una plataforma de ML automática como DataRobot puede permitir que un usuario de la empresa seleccione automáticamente las características en función de sus datos y genere automáticamente una serie de modelos para ver cuáles funcionan mejor.
A medida que el ML automático se hizo más popular, mejorar la fase de implementación del flujo de trabajo de ML se ha vuelto crítico para la confiabilidad y el rendimiento, y así entra en MLOps. Es bastante similar a la forma en que DevOps ha mejorado la implementación del código fuente para las aplicaciones. Empresas como DataRobot y H20.ai, junto con otras nuevas empresas y los principales proveedores de la nube, están intensificando sus esfuerzos para proporcionar soluciones MLOps para los clientes.
Nos reunimos con el equipo de DataRobot para comprender cómo su plataforma ha estado ayudando a las empresas a crear flujos de trabajo de ML automático, de qué se trata MLOps y qué ha llevado a los clientes a adoptar las prácticas de MLOps ahora.
El ascenso de MLOps
Source link