MLOps: Mehr als nur der Einsatz von Technologien

Maschinelles Lernen entwickelt sich in Unternehmen immer weiter von einer Nischen-Disziplin hin zu einem vollfunktionsfähigen, industrialisierten Prozess. Allerdings erweist sich die skalierte Operationalisierung von ML im Unternehmen als Herausforderung. Die Lösung: „Machine Learning Operations“ oder MLOps, eine Reihe von Praktiken, bei denen experimentelle ML-Modelle zuverlässig in den produktiven Betrieb übernommen werden. Vor diesem Hintergrund hat unsere Erfahrung gezeigt, dass nur die einheitliche Betrachtung von MLOps, die Menschen, Prozesse und Technologien umfasst, eine erfolgreiche Operationalisierung von ML in Unternehmen ermöglicht.

Die Notwendigkeit zur Operationalisierung von ML steigt

Künstliche Intelligenz (KI) und maschinelles Lernen (ML) sind zurzeit in allen Branchen und Sektoren allgegenwärtige Trends. Beschleunigt wird dies durch die massive Zunahme von Daten¹, dem rasanten Fortschritt bei der Verfügbarkeit von Rechenleistung und der Entwicklung neuartiger Modelle des maschinellen Lernens (bspw. Large Language Models), welche den Weg für neue Einsatzmöglichkeiten von KI ebnen.

Um wirklichen Mehrwert zu liefern, müssen ML Anwendungsfälle jedoch über den Status eines Proof-of-Concepts hinausgehen, also operationalisiert werden.  

Für deutsche Unternehmen ist Künstliche Intelligenz heute schon ein wesentlicher Faktor für einen nachhaltigen Geschäftserfolg. 87% der Befragten bezeichnen KI in diesem Kontext als sehr bedeutend oder gar erfolgskritisch.²

Von ML hin zu MLOps: Mehr als nur eine Reihe von Tools und Technologien

Die skalierbare Operationalisierung von ML im Unternehmen erweist sich jedoch als Herausforderung. So besteht die Notwendigkeit, analog zu DevOps, auch im Kontext von ML-Anwendungen einer Reihe von Praktiken zu folgen: Machine Learning Operations, kurz MLOps. MLOps wurde in den letzten Jahren seitens der Tech-Community mit unzähligen Tools und Technologien viel Aufmerksamkeit geschenkt. Jedoch geht es um weitaus mehr: Der alleinige Einsatz von Technologien reicht nicht aus, um ML im großen Maßstab zu operationalisieren. Die erfolgreiche Industrialisierung von ML erfordert das Zusammenspiel einer vielfältigen Mischung aus Talenten, standardisierten Prozessen, die zuverlässig und reproduzierbar sind, und geeigneten Technologien.

MLOps treibt dieses Systemdenken durch den gesamten Lebenszyklus von ML-Lösungen, vom Design über die Implementierung bis hin zum Management.

Solange Unternehmen nur eine begrenzte, homogene Gruppe von Experten zur nicht-standardisierten Entwicklung einiger weniger Modelle einsetzen, werden sie nur einen begrenzten Mehrwert aus dem Einsatz von KI und ML erzielen. Eine nachhaltige Wirkung kann somit nur durch den Einsatz der richtigen Talente und ML-Modellen erzielt werden, die einheitlich entwickelt, automatisiert, operationalisiert und in laufende Geschäftsfunktionen eingebettet sind. 

Die Evaluierung folgender MLOps Komponenten kann dabei helfen, einen ersten Reifegrad zu ermitteln (s. Publikation für Details)

• People - Analyse von Team- und Organisationsstrukturen: Verfügbarkeit notwendiger Talente und der Aufbau interdisziplinärer Teams als auch das Vorhandensein einer offenen Kultur für eine effektivere Zusammenarbeit

• Prozesse - Identifikation von Lücken in entscheidenden Phasen: MLOps erfordert zuverlässige Daten-/ML-Pipelines, automatisierte Workflows/Orchestrierung, Verfahren zur Validierung/zum Monitoring von Modellen, und Agilität

• Technologien - Bewertung der Einsatzfähigkeit der aktuellen Technologielandschaft für MLOps: Von der Verwendung von Daten/Versionskontrolle bis hin zum Einsatz von CI/CD/CT Technologien, und Monitoring Lösungen für reguläres Feedback

Grundlagen für erfolgreiches MLOps

Der Weg zu MLOps und einer effektiveren ML-Entwicklung und -Operationalisierung hängt von der Auswahl der richtigen Mitarbeiter, Prozesse, Technologien und entsprechenden Betriebsmodellen ab, die mit den Geschäftsherausforderungen und -zielen zu verknüpfen sind.

Richtig angewendet bringt uns MLOps dem Werteversprechen von KI durch den strukturierten, risikoarmen und effizienten Einsatz von ML sehr viel näher. Es gibt jedoch viele Fallstricke zu beachten: Angefangen bei der Erprobung eines ML Modells bis hin zu dessen vertrauenswürdigem Einsatz und robustem Betrieb.

Da sich KI und ML in allen Branchen ausbreiten und unternehmensweit eingesetzt werden, müssen die darunterliegenden Modelle in ihrem Aufbau erklärbar und in ihrer Entstehung und den zugrunde liegenden Daten nachvollziehbar sein. Zudem müssen die Auswirkungen messbar, die Ergebnisse nachhaltig und vertrauenswürdig sowie das Design skalierbar sein.

Vor diesem Hintergrund bedarf es eines kulturellen Wandels, welcher von der Unternehmensspitze gemeinsam mit den technischen Entscheidungsträgern verstanden und vorangetrieben werden muss, um sicherzustellen, dass alle Vorteile von MLOps und somit auch von KI auf Unternehmensebene genutzt werden können.

Sie möchten noch mehr über MLOps erfahren oder wie Sie den Herausforderungen bei der Skalierung von ML begegnen können? Kontaktieren Sie uns oder laden Sie hier die komplette Publikation mit weiteren Informationen und Hinweisen herunter.

Quellen

1. Tom Coughlin, “175 Zettabytes by 2025,” Forbes, 27. November 2018

2. Deloitte, „KI-Studie 2022: Beschleunigung der KI Transformation“, https://www2.deloitte.com/de/de/pages/trends/ki-studie-2022.html