Warum jedes KI-Projekt ein MLOps-Ökosystem braucht
MLOps bringt Ihre Modelle in die Produktion
Ein bekanntes Sprichwort besagt, dass man in Zeiten der Krise investieren sollte. Aber wenn man auf den Pfennig achten muss, ist das leichter gesagt als getan. Vor allem bei der Einführung neuer Technologien müssen sich Unternehmensleiter oft daran erinnern, dass es sich um mehr als ein Experiment handeln muss: Ihre Innovation muss einen echten geschäftlichen Nutzen bringen. Dieser Blog-Beitrag wird die Kapitalrendite der von Ihnen implementierten maschinellen Lernsysteme steigern.
Genauer gesagt stellen wir die Notwendigkeit von MLOps vor und erläutern, wie es dabei hilft, die Komplexität von Modellen und Implementierungen für maschinelles Lernen zu bewältigen. Zweitens gehen wir auf die geschäftlichen Auswirkungen der Implementierung von MLOps als echtes Ökosystem ein. Schließlich werden die Herausforderungen beim Aufbau einer MLOps-Fähigkeit behandelt, um den Erfolg Ihrer Initiativen zum maschinellen Lernen in Ihrem Unternehmen sicherzustellen.
Einführung
Was wäre, wenn ein Autokonzern jedes Bauteil seiner Autos bei jedem Auftrag von Grund auf neu bauen würde, ohne automatisierte Fließbänder oder schlanke Fertigungsprozesse? Man könnte sich vorstellen, dass dieser Automobilhersteller nicht mehr lange leben würde. Andere Autofirmen, die über solche Verfahren verfügen, würden ihm schnell den Rang ablaufen. Und doch gehen viele Unternehmen bei der Produktion ihrer maschinellen Lernsysteme genau so vor. Ein Unternehmen, das keine geeigneten Methoden zur Automatisierung der Entwicklung und kontinuierlichen Umstellung seiner ML-Modelle einsetzt, wird sich schnell auf dem gleichen Weg wiederfinden wie das überholte Automobilunternehmen. Die Verwaltung der maschinellen Lernvorgänge ist daher ein notwendiger Bestandteil bei der Einführung der künstlichen Intelligenz.
Ermöglichung von KI-Funktionen durch ML Operations Management
So wie herkömmliche IT-Betriebsmanagement-Tools und -Prozesse zur Verwaltung und Optimierung der Leistung von IT-Systemen eingesetzt werden, können Unternehmen das ML-Betriebsmanagement zur Verwaltung und Optimierung der Leistung von Modellen für maschinelles Lernen nutzen. Eines der Schlüsselelemente des ML-Betriebs ist die Entwicklung von Pipelines. Ähnlich wie Autofirmen, die Fließbänder haben, verfügen Organisationen, die maschinelle Lernsysteme entwickeln, über MLOps-Pipelines. Diese bestehen aus automatisierten Phasen, um die Produktivität zu steigern und Risiken und Ineffizienzen zu beseitigen.
Schritte wie der Bau des Fahrgestells und der Karosserie des Autos finden ihre Entsprechung in der Sammlung und Verwaltung von Daten, der Bau des Automotors kann mit der Entwicklung des eigentlichen Codes für maschinelles Lernen verglichen werden, und so weiter. Der wichtigste Teil ist jedoch die Operationalisierung des Prozesses, und hier unterscheidet sich die ML-Softwareentwicklung von der klassischen Softwareentwicklung und im weiteren Sinne vom Fließband eines Autos. Die eigentliche Herausforderung besteht nicht darin, einen Code zu schreiben, der ausgeliefert werden kann, um eingesetzt zu werden, sondern darin, ein integriertes maschinelles Lernsystem zu entwickeln, das kontinuierlich in der Produktion eingesetzt wird, also ein zirkulärer Prozess ist.
Da Modelle für maschinelles Lernen auf der Grundlage vorhandener Daten entwickelt werden, müssen diese Modelle trainiert werden, und es ist wichtig, den Überblick über die Daten zu behalten, auf denen die Modelle trainiert werden. Während sich das Betriebsmanagement in der klassischen Softwareentwicklung auf die Verfolgung von Softwareversionen konzentriert, konzentriert sich MLOps auf Code- und Datenversionen sowie auf die Modelle selbst. Nach der Entwicklung und dem Einsatz werden also zwei zusätzliche Komponenten eingeführt. Die erste ist die Datenverwaltung, die die Sammlung, Qualität und Versionskontrolle der Daten sicherstellt, und die zweite ist der Modellbetrieb, d. h. die kontinuierliche Überwachung, Wartung und Verbesserung des Modells.
Durch die Integration dieser vier Komponenten zielt MLOps darauf ab, eine Automatisierungsumgebung für den gesamten Lebenszyklus von Machine-Learning-Modellen auf effiziente, konsistente, wiederholbare und sichere Weise bereitzustellen.
Die geschäftlichen Auswirkungen von MLOps
Die Auswirkungen von MLOps können nicht unterschätzt werden. Durch die Automatisierung des Lebenszyklus des maschinellen Lernens können Unternehmen den Prozess der Erstellung und Bereitstellung von Modellen beschleunigen, was zu schnellerer Innovation und besserer Entscheidungsfindung und damit zu einer kürzeren Markteinführungszeit führt. Darüber hinaus können Unternehmen mit MLOps die Kosten für die Entwicklung und Bereitstellung von maschinellem Lernen senken und die Qualität ihrer Modelle verbessern.
Es ist jedoch vorteilhaft, die Auswirkungen nicht als Folge der Metriken des Modells des maschinellen Lernens zu messen, sondern als Folge der Geschäftsmetriken und -ziele. Oft neigen Datenwissenschaftler dazu, sich mehr um die Verbesserung der Genauigkeit eines Modells von 95 % auf 96 % zu kümmern, während sich Unternehmen in Wirklichkeit mehr um die geschäftlichen Auswirkungen des Modells kümmern sollten. Eine einprozentige Steigerung der Genauigkeit macht für das Unternehmen vielleicht keinen großen Unterschied, eine einprozentige Steigerung des Umsatzes hingegen schon.
Die Herausforderung besteht darin, die Leistungskennzahlen eines maschinellen Lernmodells mit der Gesamtleistung des Unternehmens zu verknüpfen. Welche Unternehmensleistung soll das neue ML-Modell beeinflussen, und wie können wir das messen? Beispiele sind die Anzahl der aktiven Nutzer, die Konversionsrate oder die Anzahl der erkannten Fehler eines Produkts.
Eine weitere wichtige Beobachtung ist, dass die Verbesserungen der letzten Jahre gezeigt haben, dass die KI-Lösungen viel ausgereifter sind als noch vor fünf bis zehn Jahren. Viele ML-Technologien haben ihre Machbarkeit und ihren Wert bewiesen, so dass es nicht mehr notwendig ist, mit FuE-Mitteln Proof-of-Concepts zu erstellen. Dies birgt ein erhebliches Risiko und ist einer der Hauptgründe für das Scheitern von Initiativen im Bereich des maschinellen Lernens, nämlich das Stocken in der Versuchsphase. Tatsächlich waren 72 % einer Kohorte von Unternehmen, die vor 2019 mit KI-Pilotprojekten begonnen haben, nicht in der Lage, auch nur eine einzige Anwendung in der Produktion einzusetzen.
Während früher der Schwerpunkt auf der Orchestrierung und Verfolgung von Experimenten lag, hat sich der Fokus nun auf die Reife der Einführung verlagert. Je länger ein Unternehmen ML einsetzt, desto effizienter wird seine Pipeline laufen, desto schneller wird sein Entwicklungszyklus sein, desto weniger Entwicklungszeit wird es benötigen und desto niedriger wird seine Cloud-Rechnung sein. In diesem Sinne steht die Rendite der Einführung eines maschinellen Lernsystems (und die höhere Rendite künftiger ML-Projekte) in direktem Zusammenhang mit der Reife dieses Systems, weshalb die Einführung von MLOps notwendig ist.
Aufbau einer MLOps-Kapazität
Ein wichtiger Gedanke für Unternehmen ist, dass es sich bei MLOps nicht um eine Einheitslösung handelt - sie muss auf die spezifischen Bedürfnisse jeder Organisation zugeschnitten sein. Es wird jedoch empfohlen, dass Unternehmen die Herausforderungen beim Aufbau einer MLOps-Kapazität klar verstehen, bevor sie diese einführen. Diese können in fünf Bereichen identifiziert werden: Fähigkeiten, Zeit, Veränderung, Komplexität und Kosten.
Die Umsetzung von MLOps erfordert ein gewisses Maß an Fähigkeiten und Fachwissen, und die Unternehmen müssen sicher sein, dass sie die richtigen Mitarbeiter dafür haben. Ist dies nicht der Fall, sind Investitionen in die Qualifizierung vorhandener Talente oder in neue Funktionen erforderlich. Dies kann einige Zeit in Anspruch nehmen, und die Unternehmen müssen darauf vorbereitet sein. Darüber hinaus kann es erforderlich sein, dass die Unternehmen ihre Arbeitsweise ändern, ein Faktor, der nicht unterschätzt werden darf. Der Umsetzungsprozess kann komplex sein, und Organisationen müssen ein gutes Verständnis des Prozesses haben, bevor sie sich darauf einlassen. Schließlich kann die Implementierung von MLOps kostspielig sein, nicht nur wegen der erforderlichen Fähigkeiten und des Zeitaufwands, sondern auch wegen der notwendigen Infrastruktur. Die Unternehmen müssen sicherstellen, dass sie über die entsprechenden Ressourcen verfügen.
Zusammenfassend lässt sich sagen, dass der Aufbau einer MLOps-Fähigkeit ein komplexer und zeitaufwändiger Prozess sein kann. Es ist jedoch eine wichtige Investition für jede Organisation, die das Beste aus dem maschinellen Lernen herausholen möchte. Wenn Unternehmen sich die Zeit nehmen, MLOps zu verstehen und das richtige Team und die richtige Infrastruktur zusammenstellen, können sie die Vorteile schnellerer, besserer und zuverlässigerer maschineller Lernmodelle nutzen. Und diese Vorteile werden im Laufe der Zeit die Anstrengungen und Kosten, die Sie dafür aufwenden mussten, völlig in den Schatten stellen.