Machine-Learning-Projekte mit dem DevOps-Ansatz umsetzen
Mit DevOps-Methoden lässt sich der Weg vom Erstellen des Datensatzes über das Training eines Machine-Learning-Modells bis hin zur Auslieferung vereinheitlichen.
- Alexander Knipping
Beim Coding Da Vinci Ost Hackathon haben wir, eine Gruppe von vier Studierenden, ein Ziel vereinbart: Wir wollten mit Open-Source-Werkzeugen eine auf Machine Learning (ML) basierende, benutzerzentrierte Applikation entwickeln.
Der Open-Source-Gedanke war entscheidend, denn im Vordergrund des Hackathons stand die Nutzung öffentlich zugänglicher Kulturdaten. Eine weitestgehend modulare Architektur sollte es zudem ermöglichen, Teilkomponenten auch für andere Anwendungsfälle zu nutzen.
Ausgehend von einem aus Vogelstimmen bestehenden Datensatz des Naturkundemuseums Berlin (MFN) wollten wir einen Klassifizierer entwickeln, der anhand von Audiodateien eine große Vielfalt an Vögeln identifizieren kann. Die Herausforderung: Wir hatten nur 90 Tage Zeit, ein geeignetes Machine-Learning-Modell zu trainieren sowie parallel eine Smartphone-App und ein Server-Backend zu entwickeln.