Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS
Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS

Zukunftssichere Integration von ML-Lösungen

Die Digitalisierung erfordert von Unternehmen eine hohe Bereitschaft, innovative Technologien zu nutzen und in die Wertschöpfungsprozesse zu integrieren. Data Science und Lösungen, die auf Maschinellem Lernen (ML) basieren, bieten enorme Potenziale. Solche Lösungen können jedoch nur bedingt mit bisher bekannten Entwicklungs- und Management-Methoden eingeführt und in die betrieblichen Prozesse integriert werden. Welche Vorgehensweisen, Werkzeuge und Architekturen eignen sich also am besten, um ML-basierte Anwendungen in Produkten und Unternehmen einzusetzen?

Hierfür bieten wir Ihnen den Ansatz »Machine Learning Operations« (MLOps), der strukturierte und zukunftssichere Prozesse für die Entwicklung und den Betrieb von ML-Lösungen vorstellt: MLOps ist  teamorientiert und ressourceneffizient. Der Prozessansatz unterstützt die automatisierte, technische Integration von ML-Lösungen in Ihr Unternehmen oder Ihre Produkte.

Wir beraten und begleiten Sie bei der ganzheitlichen Ermittlung passgenauer Verfahren, dem Einsatz geeigneter technischer Werkzeuge und dem zuverlässigen Betrieb mittels etablierter Technologien.

  • Realisieren Sie Ihre Data-Science-Projekte auf Basis von bewährten Vorgehensweisen
  • Nutzen Sie auf ML spezialisierte Technologien, Werkzeuge und Methodiken
  • Bauen Sie auf skalierbare Plattformen für den nahtlosen Übergang von der Entwicklung in den produktiven Einsatz
  • Vollziehen Sie kürzere Entwicklungszyklen mit qualitativ hochwertigeren Ergebnissen
  • Behalten Sie die Qualität der Ergebnisse während des laufenden Betriebs im Blick
Individuelle Beratung anfordern

Was verbirgt sich hinter der Abkürzung »MLOps«?

© Fraunhofer IAIS
Der ML-Engineering-Prozess verbindet technische und organisatorische Elemente zu einem kontinuierlichen Ablaufmodell.

Für die Entwicklung und den Einsatz von ML-Lösungen stehen noch keine maßgeschneiderten Vorgehensmodelle zur Verfügung. Bisher existieren lediglich etablierte und standardisierte Prozesse für die Entwicklung klassischer Software oder für Data-Science-Anwendungen. Aufgrund ihres Aufbaus und ihres Entwicklungszyklus stellen ML-Lösungen jedoch in vielen Bereichen Anforderungen, die durch bisherige Methoden nicht oder nur teilweise abgedeckt werden können. So ist das für Data-Science-Projekte etablierte Vorgehen CRISP-DM (Cross Industry Standard Process for Data Mining) primär für die Modellentwicklung gedacht, für den Übergang in die Nutzung sind jedoch bisher nur wenige Konzepte vorhanden.

Das Vorgehensmodell Machine Learning Operations (MLOps) greift bereits etablierte Prozesse auf und erweitert diese für die Konzeption, Entwicklung, Integration und den Betrieb von ML-Lösungen. Insbesondere DevOps, ein Prozessansatz aus der Softwareentwicklung zusammengesetzt aus Development und Operations, kann mit einigen Anpassungen für ML-Anwendungen erweitert werden. Damit bietet MLOps Leitlinien für die zielgenaue Entwicklung, die schnelle Integration und den gesicherten Betrieb von ML-Technologien.

Mehr Informationen zur Entwicklung, Integration und Betrieb von ML-Lösungen gibt es in unserem Whitepaper.

Profitieren Sie von der strukturierten Integration mit MLOps

© Andor Bujdoso / Alamy Stock Photo

Business Integration

Für den Erfolg von ML-Projekten ist es wichtig, bei den Mitarbeitenden frühzeitig ein Bewusstsein für den Mehrwert von ML-Technologien, aber auch für die dahinterstehenden Herausforderungen zu schaffen. Damit ML-Lösungen zukunftsfähig werden und Sie nachhaltig profitieren, gestalten wir die Integration in Ihren Betriebsablauf modular und nachvollziehbar. So können die Anwendungen ohne großen Aufwand gewartet und bei Bedarf aktualisiert oder ausgetauscht werden.

© monsitj - stock.adobe.com

Technische Integration

Der MLOPs-Prozessablauf sieht vor, technische Entwicklungs-, Test- und Integrationsschritte so weit wie möglich zu automatisieren. Dies erlaubt kurze Entwicklungszyklen und eine früh einsetzende, durchgehende Qualitätssicherung. Bauen Sie auf unsere Erfahrung mit der Gestaltung des gesamten Lebenszyklus von ML-Anwendungen, einschließlich Ansätzen zu Distributed Learning oder Continuous Model Training sowie bewährten Entwicklungsumgebungen und Werkzeugen wie Jupyter Notebooks, TensorFlow oder PyTorch.

© sinemaslow - stock.adobe.com

Skalierbarkeit

Für ML-Lösungen bewährt haben sich skalierbare Plattformen, die den gesamten Lebenszyklus abbilden: von der Entwicklung über die Integration und die Inbetriebnahme einschließlich Qualitätssicherung und kontinuierliche Verbesserung. Außerdem lassen sich aktuelle Virtualisierungstechnologien, wie beispielsweise Docker-Container, nutzen, um eine durchlässige Architektur zu entwickeln. Eine solche Architektur unterstützt die Überführung von ML-Lösungen aus der Entwicklung hin zum operativen Betrieb und erlaubt einen nahtlosen Übergang zwischen lokalen, Server- oder Cloud-Infrastrukturen.

Unser Angebot für verschiedene Level

Egal ob sie Einsteiger*in sind, Fortgeschrittene*r oder Expert*in: Die Integration von ML-Lösungen muss nicht kompliziert sein – wir helfen Ihnen dabei.

Alle ausklappen Alle einklappen

Ihr Status Quo:

Sie haben keine oder sehr wenig Erfahrung mit ML-basierter Entwicklung.

 

Unser Angebot:

  • Identifizierung von Use Cases
  • Intensive Beratung durch unsere Expert*innen
  • Konzipierung von passgenauen Schulungen (Inhouse)

Ihr Status Quo:

Sie haben bereits Erfahrungen und ML-basierte Lösungen im Einsatz.

 

Unser Angebot:

  • Evaluierung der bestehenden Prozesse
  • Erarbeitung Ihrer individuellen MLOps-Roadmap
  • Unterstützung beim Übergang zu MLOps

Ihr Status Quo:

Sie nutzen MLOps bereits und möchten Ihr Vorgehen weiter optimieren.

 

Unser Angebot:

  • ML-spezifische Anpassung der technischen Architektur
  • Optimierung von Monitoring- und Test-Verfahren