Einstieg in MLOps: KI-Entwicklung mit Kubeflow erklärt

Inhaltsverzeichnis

Mehr zu Machine Learning

• Machine Learning: ML-Modelle mit F# und TorchSharp erstellen
• Deep Learning: Das minimalistische ML-Framework tinygrad
• Im Test: SageMaker für Machine Learning in der Cloud
• Einstieg in MLOps, Teil 1: KI-Entwicklung mit Kubeflow erklärt
• Einstieg in MLOps, Teil 2: Mit Kubeflow und Evidently Modellendpunkte erstellen
• Einstieg in MLOps, Teil 3: Modelltraining für Fortgeschrittene in Kubeflow
• Azure Automated ML: So erstellt man ohne Code eigene Machine-Learning-Modelle
• Azure ML Designer für Machine Learning ohne Programmierkenntnisse
• Machine-Learning: Federated Learning vereint KI und Datenschutz
• Betrugserkennung: Wie Maus-Tracking unehrliche Online-Angaben entlarven kann
• Teachable Machine: Eigenes KI-Modell trainieren mit Tools von Google

Computer Vision, DALL-E, ChatGPT: Immer mehr KI-Modelle strömen in den Alltag und verändern, wie Menschen mit Daten interagieren. Immer mehr Entwickler bauen die KI-Funktionen ihrer Anwendungen aus, wodurch Machine Learning Operations (MLOps) – der spezielle DevOps-Ansatz für KI-Anwendungen – immer wichtiger wird. MLOps umfasst Praktiken, Tools und Technik, die es Unternehmen und Organisationen ermöglichen, den gesamten Lebenszyklus einer ML-Anwendung effektiv in der Produktionsumgebung abzubilden. Ein prominentes Werkzeug im MLOps-Ökosystem ist Kubeflow, eine Open-Source-Plattform, die auf Kubernetes aufbaut. Diese Artikelserie beleuchtet die Bedeutung von MLOps in der heutigen IT-Landschaft und stellt Kubeflow als Basis für MLOps-Best-Practices vor, um Data Scientists den Einstieg zu erleichtern.

Dr. Pavol Bauer

Dr. Pavol Bauer ist Senior Data Scientist und Produktmanager bei T-Systems. Sein Interesse gilt der Umsetzung des KI-Lebenszyklus, von der Datenerfassung bis zur Bereitstellung in der Cloud.

Dr. Sebastian Lehrig

Dr. Sebastian Lehrig leitet MLOps mit Open Source bei IBM. Sein Ziel: Lösungen optimiert auf IBM-Infrastruktur anbieten – maximal effizient, sicher und zuverlässig.

MLOps zielt darauf ab, die Lücke zwischen Data Scientists und den Betriebsteams zu schließen. Denn während die Data Scientists die KI-Modelle erstellen, sind die Betriebsteams für das Bereitstellen und Verwalten der Modelle in der Produktion verantwortlich. Dafür verbindet MLOps KI-spezifische Arbeitsabläufe mit DevOps-Prinzipien, einer Reihe von bewährten Praktiken für das Entwickeln und Bereitstellen von Software. MLOps stellt sicher, dass Teams Modelle zuverlässig und skalierbar von der Entwicklung in die Produktion bringen und kontinuierlich weiter verbessern können. Somit ist das Ziel von MLOps, einen schnelleren und effektiveren Einsatz von Modellen in der Produktionsumgebung zu gewährleisten.

Kubeflow wurde 2017 von Google, IBM und AWS initiiert. Die Plattform hat sich seitdem zu einem Gemeinschaftsprojekt verschiedener weiterer Organisationen und Einzelpersonen entwickelt. Im Unterschied zu den MLOps-Toolkits der großen Hyperscaler kann Kubeflow auch private oder hybride Kubernetes-basierte Clouds bedienen und eliminiert potenziell den Vendor Lock-in, wenn ein Wechsel der Cloud-Infrastruktur anstehen sollte. Kubeflow ist auch als Managed Service von verschiedenen Anbietern verfügbar.

Das war die Leseprobe unseres heise-Plus-Artikels "Einstieg in MLOps: KI-Entwicklung mit Kubeflow erklärt". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.