Machine Learning Operations (MLOps)

Was ist Machine Learning Operations (MLOps)?

Mit Machine Learning-Modellen können Unternehmen wertvolle Erkenntnisse
gewinnen – allerdings nur, wenn diese Modelle kontinuierlich auf die Daten des
Unternehmens zugreifen und diese analysieren können. Machine Learning
Operations (MLOps) ist der entscheidende Prozess, der dies ermöglicht.

MLOps ist ein funktionsübergreifender, kooperativer und iterativer Prozess,
der Data Science operationalisiert. Dies wird erreicht, indem MLOps Machine
Learning (ML) und andere Modelltypen wie wiederverwendbare Software-Artefakte
behandelt. Die Modelle können dann eingesetzt und mithilfe eines
wiederholbaren Prozesses kontinuierlich überwacht werden.

MLOps unterstützt kontinuierliche Integration und eine wiederholbare, schnelle
Bereitstellung von Modellen. Dadurch können Unternehmen schneller wertvolle
Informationen und Erkenntnisse aus ihren Daten gewinnen. MLOps schließt auch
die kontinuierliche Überwachung sowie erneutes Training der Modelle im
Produktiveinsatz ein, um sicherzustellen, dass sie optimal funktionieren, wenn
sich die Daten im Laufe der Zeit ändern (abweichen).

Die Vorteile von MLOps

Einer der Hauptvorteile von MLOps besteht darin, dass es
Data Science-,
Machine Learning-, statistischen und anderen Modelltypen ermöglicht, schnell geschäftlichen
Nutzen zu erzielen. Dies wird erreicht, indem MLOps dafür sorgt, dass Modelle
wiederholt eingesetzt und kontinuierlich überwacht werden können. Der
MLOps-Prozess ermöglicht:

• eine schnellere Bereitstellung von mehr Modellen mit automatisierten
  Prozessen
• kürzere Time-to-Value durch schnelle Bereitstellung von Modellen
• die Optimierung der Produktivität durch Kooperation und Wiederverwendung von
  Modellen
• ein geringeres Risiko, Zeit und Geld für Modelle zu verschwenden, die
  niemals produktiv eingesetzt werden
• die kontinuierliche Überwachung und Aktualisierung von Modellen aufgrund von
  Datenabweichungen im Laufe der Zeit

Der MLOps-Prozess

MLOps unterstützt eine schnelle, skalierbare Modellbereitstellung. Eine
vereinfachte Version des MLOps-Prozesses umfasst die folgenden Schritte:

Erstellen – Dazu gehören Datenvorbereitung, Feature Engineering, Modellerstellung und Tests.

Verwalten – Nach ihrer Erstellung werden Modelle häufig in einem Modell-Repository abgelegt, das prüfbar ist und einer Versionskontrolle unterliegt, um die Wiederverwendung im gesamten
Unternehmen zu fördern.

Bereitstellen – Dieser Schritt umfasst den Export des Modells oder der Pipeline, die Implementierung und die Integration in produktive Geschäftssysteme und Anwendungen.

Überwachen – Um eine optimale Leistung sicherzustellen, ist kontinuierliche Überwachung erforderlich. Wenn Daten anfangen, abzuweichen, kann das Modell neu trainiert werden oder durch ein neues Modell ersetzt werden.

Herausforderungen bei MLOps

Viele Unternehmen haben Schwierigkeiten damit, Machine Learning-Modelle in
Produktionsumgebungen zu überführen.

Durchschnittlich werden zwischen 60 % und 80 % der Modelle, die für die
Implementierung erstellt wurden, nie implementiert. Hinzu kommt, dass die
Implementierung eines Modells in der Regel sechs bis acht Monate dauert. Wenn
Sie ein Modell implementieren, das vor sechs bis acht Monaten erstellt wurde,
ist dieses Modell möglicherweise bereits veraltet.

Hat ein Unternehmen Schwierigkeiten dabei, Machine Learning-Anwendungen in
bestehende Produktionsanwendungen zu integrieren, wird Zeit und Geld für Data
Science-Projekte verschwendet, die nie in Betrieb gehen.

MLOps kann das Risiko solcher Fehlschläge erheblich reduzieren und Modelle
schneller in den Produktiveinsatz bringen, wo sie letztendlich den größten
Nutzen für ein Unternehmen bieten.

MLOps vs. DevOps vs. DataOps

MLOps vereint Datenerfassung, Vorverarbeitung, Modelltraining, Bewertung,
Implementierung und erneutes Training in einem einzigen Prozess, der von Teams
gepflegt werden kann. Diese Zusammenarbeit und Kommunikation zwischen DevOps,
ITOps, Data Engineers, Data Science-Teams und anderen Abteilungen vermittelt
ein gemeinsames Verständnis dafür, wie Machine Learning-Modelle in der
Produktion entwickelt und gepflegt werden, ähnlich wie DevOps (Development
Operations) es für Software tut.

DevOps befasst sich mit der kontinuierlichen Bereitstellung von Software und
der Automatisierung der Integration, Tests und Implementierung von Code. Es
geht nicht um die Verwaltung von Daten oder Analysen. Der MLOps-Prozess ist
DevOps nachempfunden und setzt für die Modellbereitstellungsdienste auf die
Zusammenarbeit mit DevOps-Teams.

DataOps (Data Operations) beschäftigt sich mit der Verwaltung von
Datenpipelines sowie der Automatisierung von Prozessen, um die Zeit für die
Durchführung von Datenanalysen zu reduzieren.

MLOps und Analytic Process Automation

Analytic Process Automation (APA) ist eine größere, umfassende Lösung, die die
wichtigen Prozesse der Datenvorbereitung und -zusammenführung, Erstellung von
Machine Learning-Modellen und MLOps zusammenführt, um Organisationen zu
helfen, schneller von Eingaben über Erkenntnisse bis hin zu Ergebnissen zu
gelangen.

Analytic Process Automation verbindet alle Bausteine eines Data Science- und
Analyse-Workflows und ermöglicht so eine intelligentere, schnellere
Entscheidungsfindung. Mit APA-Lösungen lassen sich ganz einfach
automatisierte, wiederholbare Workflows erstellen, um Data Scientists Zeit zu
sparen und die Prozesse der Datenvorbereitung, Modellerstellung und MLOps zu
optimieren.

Erste Schritte mit MLOps

Die
Alteryx Analytic Process Automation™
-Plattform von Alteryx ist der Schlüssel zur Beschleunigung Ihrer Data
Science-Prozesse und zum Erfolg mit MLOps.

Datenzugriff, -vorbereitung, -modellierung -überwachung und Modellabstimmung
sowie das Teilen von Analyseergebnissen erfolgen alle an einem Ort und auf
einer benutzerfreundlichen Plattform. Melden Sie sich jetzt für eine

kostenlose Testversion
der Plattform an.

Für weitere Informationen zu den Data Science-, Machine Learning- und
MLOps-Lösungen von Alteryx,
wenden Sie sich gerne an uns.