Vorwort
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Als MLOps-Veteranen haben wir oft erlebt, wie sich das folgende Szenario in Unternehmen abspielt, die ihre Data Science-Praktiken aufbauen.
Wenn Unternehmen ihre Data-Science-Praxis aufbauten, begannen sie traditionell mit der Erstellung eines Modells im Labor, mit einem kleinen Team, das oft an seinen Laptops und mit einem kleinen, manuell extrahierten Datensatz arbeitete. Sie entwickelten das Modell in betrieblicher Isolation, und die Ergebnisse wurden manuell in die Anwendungen integriert. Sobald das Modell fertig war und genaue Vorhersagen machen konnte, begann der eigentliche Kampf, es in die Produktion zu bringen, um einen echten Geschäftswert zu schaffen.
Zu diesem Zeitpunkt stand das Unternehmen vor Herausforderungen wie der Aufnahme von Produktionsdaten, dem Training in großem Maßstab, der Bereitstellung in Echtzeit und der Überwachung/Verwaltung der Modelle in der Produktion. Die Überwindung dieser Hürden dauerte oft Monate und verursachte enorme Kosten in Form von Ressourcen und verlorener Zeit.
Die KI-Pipeline ist abgeschottet, die Teams arbeiten isoliert und mit vielen verschiedenen Tools und Frameworks, die nicht unbedingt gut miteinander harmonieren. Dies führt zu einer enormen Verschwendung von Ressourcen und dazu, dass Unternehmen ihre Investitionen in Data Science nicht optimal nutzen können. Laut Gartner bleiben 85 % der ...