Грант Давтян, засновник і CEO, Pinsight: «Усім, хто звертається до нас з ідеєю AI-проекту, я насамперед ставлю одні й ті самі запитання: “Ви впевнені, що вам не обійтися без штучного інтелекту? Та чи точно вам потрібне кастомне рішення?”. Дуже часто проблема, з якою потрібно розібратися, є або цілком переборною за допомогою більш традиційних математичних методів, або давно вирішеною... Перш ніж інвестувати в AI, потрібно обов'язково подумати ще раз, а потім подивитися, чи готові ваші дані для обробки штучним інтелектом».
Дмитро Байков, Senior ML Engineer / Data Scientist, DataArt: «Більшість інструментів автоматизованого машинного навчання орієнтовані на вибір ML-моделі, проте у проектах може бракувати, на мій погляд, головного елемента. Адже потрібно вписати алгоритм у пайплайн, агрегувати та підготувати дані для роботи, зрозуміти, які дані ви взагалі маєте. Це серйозний виклик, оскільки більшості клієнтів необхідно зв'язати дані з таблиць у різних сховищах. Як прискорити процес підготовки даних за допомогою AutoML — гадаю, навколо цього питання формується самостійний перспективний напрям. До того ж уже зараз виник дуже великий напрям для створення AutoML-інструментів для MLOps».
Конрад Лида, AI/ML Engineer, DataArt: «Під час одного дослідження групу Data Scientists запитували, скільки робочого часу вони витрачають на розгортання моделей машинного навчання. 36% респондентів оцінили тимчасові витрати у чверть загальної роботи, ще 36% — назвали частку в межах від чверті до половини, 20% — від половини до ¾, 7% — більш ніж ¾. Тобто показники є такими, що будь-яке поліпшення на цьому напрямі дозволить зберегти дорогоцінний час. Практики MLOps не лише забезпечують стабільність, дозволяють гнучкіше підходити до процесу розробки та впровадження рішень, скорочувати технічний борг, а й знижують витрати часу, потрібного для деплою моделей».
Норберт Фіалек, CTO & Co-Founder, AI BUSTERS SP. Z O.O.: «Концепція MLOps розвивається на наших очах. Думаю, найближчими роками цей напрям посяде в загальному уявленні про IT-архітектуру те місце, де наразі знаходиться DevOps. У нас і зараз з'являються різноманітні рішення для кожного з аспектів підтримки ML-проекту, наприклад, моніторингу роботи моделі. При цьому всередині MLOps-підходу буквально формуються нові поняття, скажімо, безперервне навчання».
Влад Безсмертний, лідер AI-напряму фінансової практики DataArt: «Наразі кращі уми б'ються над удосконаленням алгоритмів машинного навчання і, треба сказати, непогано справляються. Водночас питання стандартизації даних залишається відкритим. У будь-якій організації структури даних виникають самі — природним шляхом, змінюючись разом із бізнес-процесами. Як обробити цю досить пухку масу за допомогою найбільш відповідного алгоритму — у цьому й полягає головне питання, що стоїть перед ML».
