Implementierung von MLOps im Unternehmen

Kapitel 6. Einsatz von Modellen und KI-Anwendungen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Die Verarbeitung von Daten, das Training und die Validierung von Modellen sind die Vorstufe zur eigentlichen Aufgabe: dem Aufbau und der Bereitstellung einer Anwendung, die die von dir generierten Daten und das von dir erstellte Modell nutzt, um Entscheidungen zu treffen und Maßnahmen zu ergreifen.

Um Anwendungen für maschinelles Lernen bereitzustellen, erstellst und registrierst du zunächst das/die Modell(e) für die Verwendung in der Produktionsanwendung. Dann erstellst du eine Anwendungspipeline, die Ereignisse oder Daten entgegennimmt, die erforderlichen Modellfunktionen vorbereitet, aus einem oder mehreren Modellen Ergebnisse ableitet und Aktionen ausführt. Überwache schließlich die Daten, Modelle und Anwendungen, um ihre Verfügbarkeit und Leistung zu gewährleisten. Im Falle von Problemen oder einer verminderten Modellleistung musst du Korrekturmaßnahmen einleiten.

Viele Unternehmen denken immer noch daran, "ein Modell zu bedienen" oder einen Modell-Endpunkt zu erstellen. Sie müssen jedoch mehr auf das Gesamtbild der Bereitstellung einer ML-Anwendung achten, anstatt die Verantwortung für die Anwendungsbereitstellung zwischen Data Science- und Engineering-Teams aufzuteilen. Wenn man das Gesamtbild ignoriert, führt das zu erheblichen Funktionslücken, Fehlern, unnötigen Risiken und langen Verzögerungen. ...