MLOps (Machine Learning Operations)
Machine Learning Operations (MLOps) ist die Nutzung von Machine-Learning-Modellen durch Entwicklungs- und Betriebsteams (Development and Operations, DevOps). MLOps zielt darauf ab, die Entwicklung und den Einsatz von maschinellen Lernmodellen zu disziplinieren, indem Prozesse definiert werden, die die ML-Entwicklung zuverlässiger und produktiver machen.
Die Entwicklung von Modellen des maschinellen Lernens ist von Natur aus experimentell und Fehlschläge sind oft Teil des Prozesses. Die Disziplin befindet sich noch in der Entwicklung, und es ist klar, dass selbst ein erfolgreiches ML-Modell am nächsten Tag manchmal nicht mehr auf dieselbe Weise funktioniert. Durch die Dokumentation zuverlässiger Prozesse und die Schaffung von Schutzmaßnahmen zur Verkürzung der Entwicklungszeit können bessere Modelle erstellt werden.
Die MLOps-Entwicklungsphilosophie wird von denjenigen angewandt, die Modelle für maschinelles Lernen entwickeln, denjenigen, die sie einsetzen, und denjenigen, die die sie unterstützende Infrastruktur verwalten. Zu den Standardverfahren für MLOps gehören:
- Ausgehend von einer bestehenden Produkt-API aus bestehenden KI-Diensten.
- Verfolgung eines modularen Ansatzes.
- Parallele Modellentwicklung, um die Probleme zu halbieren, wenn ein einzelnes Modell versagt.
- Vorgefertigte Modelle, um den Nachweis des Konzepts zu erbringen.
- Verallgemeinerte Algorithmen, die einen gewissen Erfolg aufweisen, können für ihre spezifische Aufgabe weiter trainiert werden.
- Überbrückung von Lücken in den Trainingsdaten mit öffentlich verfügbaren Datenquellen.
- Zeit für die Entwicklung verallgemeinerter KI nehmen, um die Möglichkeiten zu erweitern.
Die Personalbesetzung ist ein schwieriger und wichtiger Teil der Entwicklung von MLOps. Das liegt daran, dass dieselben Data Scientists, die für die Entwicklung von Algorithmen des maschinellen Lernens verantwortlich sind, möglicherweise nicht die effektivsten sind, wenn es darum geht, sie einzusetzen – oder den Softwareentwicklern zu erklären, wie sie zu verwenden sind. Einige der besten MLOps-Teams machen sich die Idee der kognitiven Diversität zu eigen, also die Einbeziehung von Menschen, die unterschiedliche Problemlösungsstile haben und einzigartige Perspektiven bieten können, weil sie anders denken.
