Вопрос о том, какая из перечисленных проблем в машинном обучении является самой НЕ объемной, требует понимания каждой из этих задач. Давайте рассмотрим каждую из них:

• Тренировка моделей машинного обучения: Этот процесс включает в себя использование больших объемов данных для обучения модели, что может занимать много времени и ресурсов. Обычно это наиболее ресурсоемкая часть работы.
• Создание алгоритмов данных: Разработка алгоритмов требует глубоких знаний и понимания теории машинного обучения. Хотя это может быть сложной задачей, она не всегда требует больших объемов данных или вычислительных ресурсов.
• Операционализация данных: Это процесс внедрения и интеграции моделей в реальную среду. Он также может быть трудоемким, но обычно не требует значительных объемов данных на этапе внедрения, так как модель уже обучена.

Теперь, если рассматривать, какая из этих задач является самой НЕ объемной, то можно сделать вывод:

1. Тренировка моделей - требует много данных и ресурсов.
2. Создание алгоритмов - требует знаний, но не всегда объемных данных.
3. Операционализация данных - требует меньше ресурсов по сравнению с тренировкой моделей.

Таким образом, самой НЕ объемной проблемой в машинном обучении является создание алгоритмов данных. Эта задача больше связана с теорией и разработкой, чем с объемами данных или вычислительными ресурсами.