MLOps: Maschinelles Lernen mit DevOps-Techniken verknüpfen
Der Einstieg ins maschinelle Lernen gestaltet sich für viele Firmen nicht leicht. Hier bietet es sich an, Know-how und Techniken aus dem DevOps heranzuziehen.
![](https://heise.cloudimg.io/width/610/q85.png-lossy-85.webp-lossy-85.foil1/_www-heise-de_/imgs/18/2/9/9/4/6/2/9/csc-0fc4c778cf55bb92.jpeg)
Viele Unternehmen hoffen, mit Techniken des maschinellen Lernens ihr bestehendes Geschäft verbessern oder neue Felder für sich erschließen zu können. Doch der Einstieg ist nicht immer leicht. In der aktuellen iX erklärt Isabel Bär, wie sich bereits existierende DevOps-Ansätze mit ML-Modellen kombinieren lassen.
Genau dies versteckt sich nämlich hinter dem Wort MLOps. Ziel ist es, die Konzeption, das Bauen und das Deployment von ML-Modellen direkt in der Produktion zu vereinfachen. Neben dem Code aus dem klassischen DevOps-Bereich kommen hier jedoch mit den Daten und dem Modell noch zwei neue Dimensionen hinzu.
Die ML-Algorithmen benötigen also Daten, anhand derer sie lernen und sich verbessern können. Diese können aus Datenbanken, APIs, Web-Scraping oder klassischen Dateien stammen. Hier bietet sich insbesondere PostgreSQL in Verbindung mit Python an – eine günstige Alternative zu separaten Analyseumgebungen und dem damit verbundenen Datentransfer.
Siehe dazu auch:
- Machine Learning: Mit DevOps vom Businessproblem zum ML-Task; iX 11/2020, S. 101.
- Maschinelles Lernen: ML mit Python in PostgreSQL; iX 11/2020, S. 132.
(fo)