毫无疑问，机器学习运营（MLOps）是一个蓬勃发展的行业。预计到2025年，该市场将达到7亿美元--几乎是2020年的4倍。

尽管如此，虽然在技术上是健全和强大的，但这些解决方案并没有产生预期的收入，这引起了人们对未来增长的担忧。

我可以理解围绕这一领域的悲观情绪，因为我在职业生涯的前20年里，在一家受人尊敬的投资管理公司有效地建立了内部MLOps工具。最近，我投资了MLOps初创公司，但它们在实现我所期望的收入水平方面进展缓慢。基于我在MLOps方面的正反两方面的经验，我理解为什么这些初创公司会陷入困境，以及为什么它们现在已经准备好发展了。

MLOps工具对部署数据驱动的模型和算法的公司至关重要。如果你开发软件，你需要一些工具，让你能够诊断和预测软件的问题，这些问题可能会因为软件的故障而导致你失去有意义的收入。构建数据驱动的解决方案的公司也是如此。如果你没有足够的MLOps工具来评估模型，监测数据，跟踪模型参数和性能的漂移，并跟踪模型的预测与实际性能，那么你可能不应该在生产关键任务中使用模型。

然而，部署ML驱动的解决方案的公司，如果没有深厚的知识和经验，就不会认识到对更复杂的工具的需求，也不理解低层次技术整合的价值。他们更愿意使用在外部条件下运作的工具，即使它们的效果较差，因为它们的干扰性较小，而且如果工具不成功，代表采用成本和风险较低。

相反，拥有ML团队的公司拥有更深的知识和经验，相信他们可以在内部建立这些工具，不想采用第三方的解决方案。此外，MLOps工具的缺陷导致的问题并不总是容易识别或诊断--表现为建模与运营的失败。其结果是，部署基于ML的解决方案的公司，无论是技术上的成熟还是缺乏经验，都采用得很慢。

但事情正在开始改变。公司现在正在认识到复杂的、深度整合的MLOps工具的价值。要么他们经历过因没有这些工具而产生的问题，要么他们在许多高调的失败中看到竞争对手因没有这些工具而遭受损失，现在他们被迫学习更复杂的MLOps解决方案。

那些到目前为止已经度过收入寒冬的MLOps公司应该看到市场的解冻和销售机会的增长。

销售表面解决方案的公司将开始失去业务，被更多的综合解决方案所取代，这些解决方案更难理解和采用，但为客户提供更多的监测、调试和补救服务。MLOps软件开发者应该保持这样的信念：建立强大的软件，以更深入、更彻底的方式解决问题，从长远来看，将胜过那些能立即得到回报但不能解决客户所面临的全部问题的简单解决方案。