No Code: ML-Prototyping mit igel
Das Prototyping von Machine-Learning-Modellen ist aufwendig. Abhilfe schafft das Open-Source-Werkzeug igel, mit dem sich mit minimalem Aufwand Modelle trainieren, testen und inferieren lassen.
Wer Projekte mit Machine Learning umsetzt, kennt die Probleme nach dem Vorbereiten der Daten: Oft ist nicht klar, welcher Ansatz am besten funktioniert. Deshalb setzen Entwickler verschiedene Trainingsbibliotheken auf. Stehen dann die ersten Modelle, ist nicht sicher, ob der Betrieb des Modells und die Integration in die bestehende Applikationslandschaft gelingen. Hier entstehen meist zeitaufwendige Arbeiten. Außerdem fällt viel Boilerplate-Code an, der sich mit bisherigen ML-Projekten deckt, aber nicht immer übertragbar ist. Zu nennen sind hier das Aufsetzen der Frameworks und das Implementieren des Inferenzservers.
Das Werkzeug igel setzt an dieser Stelle an und kombiniert verschiedene ML-Bibliotheken, darunter scikit-learn und AutoKeras. Der Entwickler Nidhal Baccouri hat igel als Open Source zur Verfügung gestellt, damit Anwender Modelle schnell trainieren und prototypisch ML-Applikationen entwickeln können. Die Idee dahinter ist, Machine Learning anzuwenden, ohne eine Zeile Code selbst zu schreiben. Stattdessen generiert ein Kommandozeilenprogramm YAML- und JSON-Dateien. Eine Besonderheit des Tools ist, Datenformate wie CSV, TXT und Excel einzubinden. Dadurch entfällt das aufwendige Datentransformieren.