O mercado global de MLOps (Machine Learning Operations), soluções que auxiliam cientistas de dados a simplificar e otimizar processos de implantação de machine learning, terá um crescimento médio anual de quase 45% até 2030. A projeção foi feita pela empresa de pesquisas Valuates Reports, que estima um salto na valorização do segmento de US$ 186,4 milhões, alcançado em 2023, para US$ 3.6 bi. Uma das principais razões para o aquecimento deste mercado pode estar na redução de prazo para o desenvolvimento de modelos preditivos. A avaliação é de Carlos Relvas, Chief Data Scientist da Datarisk, empresa especializada no uso de inteligência artificial para gerar valor no conceito “decision as a service”.
Segundo ele, para desenvolverem sistemas semelhantes com os métodos tradicionais, as organizações levam uma média entre duas a três semanas, dependendo da complexidade do setor.
“Em contrapartida, ao usar o MLOps o cientista de dados consegue automatizar todo o processo de criação. Primeiro ele faz toda a parte de treinamento do modelo por meio de um machine learning automático que testa algoritmos para ver qual deles funciona melhor. Neste momento, o cientista também consegue, se quiser, subir um código que ele já tenha próprio e salvar todos os documentos e todos os códigos, garantindo assim a proteção da documentação de todas as bases de dados. O sucesso do MLOps se deve ao fato de ele eliminar todas essas etapas com o próprio criador do modelo sendo ele mesmo responsável e tendo em mãos tudo o que precisa para ir do começo ao fim do projeto”, afirma.
Em 2024, a Datarisk lançou ao mercado uma solução MLOps focada em atender empresas protagonistas em atividades como concessão de crédito, risco de fraudes, propensão a mudança de trabalho, produtividade no agro, entre outras. Somente durante o primeiro semestre deste ano, a ferramenta foi utilizada para a realização de um volume superior a 10 milhões de consultas e, entre os benefícios obtidos pelos usuários desta tecnologia, um dos maiores destaques foi justamente a redução de tempo. Com o MLOps da startup, o prazo médio de três semanas caiu para uma questão de horas.
Carlos Relvas explica ainda que, depois que esse primeiro treinamento está construído, entra uma segunda etapa dentro da própria plataforma MLOps da Datarisk que é a parte na qual o cientista pode automaticamente, ele mesmo, criar uma API para o modelo passar a ser usado em ambientes externos. A terceira etapa, segundo ele, é a gestão da solução. Nesta fase, o objetivo é garantir que esse modelo que foi desenvolvido, treinado e está sendo usado continue tendo uma boa performance ao longo do tempo. “A ferramenta consegue monitorar tanto o uso de suas aplicações quanto o funcionamento das APIs para garantir não somente que está tudo operando conforme o programado, mas também permitir a aferição da qualidade do modelo. A solução viabiliza a verificação, por exemplo, se tem alguma variável que tenha mudado ao longo do tempo e emite alertas para o usuário final caso o modelo esteja perdendo performance”, afirma.
A receptividade do mercado e as prospecções que a Datarisk tem feito permitem à empresa projetar um crescimento superior a cinco vezes o volume de uso desta solução até o final de 2025.
O Cofundador e CEO da Datarisk, Jhonata Emerick, explica que ao se tornar pioneira na oferta de soluções no conceito MLOps no Brasil, a startup está colocando em prática a estratégia de amadurecer e aperfeiçoar suas principais teses de negócios. “Entendemos com maior profundidade as carências do mercado e agora estamos preparados para oferecer soluções capazes de transformar de uma maneira absolutamente relevante a realidade da ciência de dados no país”, diz.
De acordo com Emerick, no caso específico do desenvolvimento de modelos preditivos, as soluções MLOps surgem como resposta a processos internos morosos desenhados para uma época na qual as empresas não precisavam gerir uma área de dados com a agilidade que é exigida atualmente.
“Geralmente são adotados os sistemas de filas de TI nas quais a área de data science termina de fazer um modelo e passa para a área de engenharia criar uma API. Essa, por sua vez, vai demorar um tempo significativo para fazer sua parte, quando então passará o projeto para o time de motor de crédito, por exemplo, para que ele finalmente implemente essa API, o que vai levar a outros prazos. O resultado é que, quando o modelo é implementado, a situação já é outra. Por isso a solução MLOps se torna tão efetiva no quesito otimização”, conclui.
