Machine Learning: Mit DevOps vom Businessproblem zum ML-Task
MLOps wendet DevOps-Techniken auf die Entwicklung von ML-Modellen an. Sie vereinfacht: die Konzeption, den Aufbau, das Deployment und das Monitoring.
Der Einsatz Machine-Learning-basierter Software ist ein vielversprechender Ansatz zur Lösung von Businessproblemen. Allerdings erfordert der Weg von der Formulierung eines ML-Task bis hin zum Deployment und Monitoring des trainierten ML-Modells eine Vielzahl von Schritten mit zahlreichen Wechselwirkungen untereinander.
Die Grundidee hinter Machine Learning besteht darin, durch Auswertung von Daten Erkenntnisse über reale Zusammenhänge zu gewinnen. Zur Sammlung, Speicherung und Verarbeitung dieser Daten sind Big-Data-Techniken nötig. Maschinelles Lernen transformiert Geschäftsprobleme in Datenprobleme und formuliert ML-Tasks.
Zwar erlebt Machine Learning gerade eine Blütezeit, immer mehr Unternehmen experimentieren damit. Allerdings kommen die meisten Projekte nie über die Experimentierphase hinaus. Das belegen auch die Zahlen des Reports "2020 State of Enterprise Machine Learning" von Algorithmia: Nur 22 Prozent aller ML-Projekte werden am Ende erfolgreich in Produktion gebracht.
URL dieses Artikels:
https://www.heise.de/-4931916
Copyright © 2020 Heise Medien