KI entwickeln und gut ist? – MLOps & Produktivität
Du hast ein Machine Learning (ML) Modell entwickelt. Aber nutzt du es auch? Entgegen der landläufigen Meinung reicht die blosse Entwicklung eines ML-Modells nicht aus, um sein Potential auszuschöpfen. In “Torch”, unserer neuen Data-Science-Serie, stelle ich dir MLOps vor und zeige, wie dieser Prozess dir hilft, dein ML-Modell produktiv zu setzen.
Welchen Nutzen MLOps hat und wie es sich von DevOps und DataOps unterscheidet.
Wie du einen vollautomatisierten MLOps-Prozess erreichst.
Welche technischen Capabilities dein Unternehmen benötigt, um MLOps zu ermöglichen.
Wie sieht dies in der Praxis konkret aus? In meinem Takeaway zeige ich dir, wie wir ein Nachfrageprognosemodell produktiv gesetzt haben.
Hallo, mein Name ist Roozbeh, und ich bin Engineering Manager bei Accenture. Ursprünglich komme ich aus der Softwarebranche, jetzt konzentriere ich mich auf das Zusammenspiel von DevOps und Machine Learning und darauf, Lösungen zu ermöglichen, die zuverlässig, skalierbar und auditierbar sind. Neben ML-Engineering begeistere ich mich für Wandern und andere Outdoor-Aktivitäten. Dabei kann ich mich gut aus der digitalen Welt ausklinken und mich von der Natur inspirieren lassen. P. S.: Hat dir meine "Torch"-Episode gefallen? Dann kontaktiere mich gerne – es würde mich freuen, die Fackel (en. “torch”) weiterzureichen und damit deine Begeisterung für Data Science zu entfachen!
Was ich dir mitgebe
Nachdem das Development abgeschlossen ist, müssen Unternehmen einen weiteren Schritt machen, um das Potenzial ihres ML-Modells auszuschöpfen: Sie müssen es produktiv setzen, und zwar mit einem gut strukturierten MLOps-Prozess. Für ein Einzelhandelsunternehmen haben wir diesen Prozess auf ein Modell zur Nachfrageprognose angewendet. Was sind die Herausforderungen bei dieser Art von Use Case, und wie sind wir konkret damit umgegangen? Alle Anworten auf diese und weitere Fragen findest du in meinem Takeaway.
