Mehr aus Machine Learning herausholen

Die aktuelle „Studie Machine Learning / Deep Learning 2019“ der IDC zeigt auf, dass ML und Deep Learning neben Cloud Computing und Sicherheit aktuell zu den drei wichtigsten IT-Themen gehören, mit Ausgaben von rund 57,6 Milliarden Euro bis 2021. Konkrete ML-Einsatzbeispiele sind die Automatisierung des Kundendienstes oder vorausschauende Wartung (Predictive Maintenance) im Produktionsumfeld. Das Problem: Oft wird ML eher als Optimierungstool denn als eine Möglichkeit, neue Dienstleistungen und Produkte zu entwickeln, verstanden.

Bei der erfolgreichen Umsetzung in die tägliche Praxis gibt es jedoch noch deutlichen Entwicklungsbedarf und Spielraum für Verbesserungen. Denn zwischen der Idee, dem Piloten und dem Go-Live im Produktivbetrieb liegen einige Stolpersteine, die es aus dem Weg zu räumen gilt. Hier kommen MLOps ins Spiel, eine Wortkopplung aus Machine Learning und Operations (Abläufe oder Prozesse). Dies bildet eine Analogie zum DevOps-Ansatz, der eine Prozessverbesserung durch Anreize, Prozesse und Software-Werkzeuge ermöglicht. Die Bereiche Entwicklung (Development), IT-Betrieb (IT-Operations) und Qualitätssicherung werden durch die DevOps effizienter miteinander verknüpft, alle Abteilungen arbeiten geschlossen an der Ermöglichung eines gemeinsamen Ziels. MLOps helfen dabei, dieses Vorhaben auch im Rahmen von Machine Learning Initiativen leichter zu realisieren.

Fehlschläge häufig schon in der Testphase

Mit MLOps soll der Automatisierungsgrad in Unternehmen erhöht, die Prozessqualität gesteigert und die Kommunikation zwischen allen Beteiligten verbessert werden, denn derzeit scheitern laut IDC ca. 88 Prozent aller ML-Projekte bereits in der Testphase.

Das liegt zumeist daran, dass Maschinelles Lernen eine hohe Komplexität mit sich bringt. Um ML-Ergebnisse effizient in den Produktionsprozess einbinden zu können, ist es daher sinnvoll, auf automatisierte Abläufe zu setzen – und zwar an allen Punkten des ML-Projektablaufs. Generell setzt der MLOps-Ansatz ein hohes Maß an Expertise, Strategie und Pflege voraus. Das ist nicht verwunderlich, besteht ein typisches Data Science-Projekt doch aus vielen unterschiedlichen Schritten. Auf die Problemidentifizierung folgt die Extrahierung der Daten aus Unternehmensdatenbanken. Nachdem diese aufbereitet sind, können Datenzusammenhänge abgeleitet werden, bevor Datenmodellierung und Evaluierung folgen.

Modellmonitoring und -anpassungen

Die Datenerhebung selbst ist in der Regel bereits sehr aufwändig, noch mehr Ressourcen werden dann in den weiteren Projektschritten benötigt. Die Modelleffizienz sollte kontinuierlich überwacht werden, um zu prüfen, ob die Ergebnisse von den konzeptionellen Erwartungen abweichen, insbesondere dann, wenn neue Daten hinzukommen. Die für bestimmte Aufgabenbereiche zuständigen Mitarbeiter, z.B. ein Data Annotator, der neue Datensätze für das Modell-Training erstellt, sollten bei signifikanten Abweichungen von den Modellerwartungen automatisch benachrichtigt werden.

Wichtig ist in diesem Zusammenhang, zu klären, wie sich ein ML-Projekt in bestehende Geschäftsabläufe optimierend einbringen lässt. Eine hohe Flexibilität bei der Auswahl verschiedener Programmiersprachen ist an dieser Stelle essentiell.

Um Maschinelles Lernen mit MLOps-Unterstützung in Unternehmen der unterschiedlichsten Branchen effizient nutzen zu können, ist Interoperabilität gefragt, genauer: die Integration von Daten und verschiedenen externen Systemen sowie die Steuerung der Geschäftsabläufe und Services. Gesucht ist eine Multimodell-Datenbank, die sich durch Flexibilität gegenüber verschiedenen Datentypen auszeichnet und Datenmodelle simultan nutzbar macht. Hinzukommen ein grafisches Interface für die verbesserte Datenanalyse, Dashboards für Grafiken sowie ein Zusammenspiel unterschiedlicher Funktionen je nach Bedarf und ML-Einsatzszenario.

MLOps im Mittelpunkt der Data Science-Vorhaben

Unsere Datenplattform InterSystems IRIS vereint als Multimodell-Datenbank flexible Interoperabilität, skalierbares Datenmanagement und eine offene Analyseumgebung in einer Lösung. Zugleich lässt sie sich problemlos in Ihre bestehende IT-Infrastrukturen integrieren. InterSystems IRIS unterstützt Sie, ML-Modelle bereit für eine effiziente Automatisierung im Sinne des digitalen Wandels zu machen. Sie eignet sich nicht nur für verschiedene Programmiersprachen und Systeme, sondern bietet zudem auch detaillierte Model Monitoring-Berichte. Data Scientists werden bei Daten- und Modellabweichungen sofort informiert. Sie können außerdem simultan zahlreiche ML-Prozesse initiieren, um das Verhalten neuer Modelle zu evaluieren und zu erklären. Darüber hinaus lassen sich InterSystems IRIS-basierte Anwendungen problemlos über viele verschiedene Server skalieren. Weitere nützliche Tools sind Analysen, Grafikfunktionen und Dashboards.

Eine derart durchdachte Herangehensweise stellt künftige ML-Projekte auf ein verlässliches Fundament, sodass KI und ML messbaren Geschäftswert für Ihr Unternehmen entfalten können.