Article

MLOps für Unternehmen 

Operationalisierung von KI und ML im Unternehmen für nachhaltigen Geschäftserfolg

Maschinelles Lernen entwickelt sich in Unternehmen immer weiter von einer Nischen-Disziplin hin zu einem vollfunktionsfähigen, industrialisierten Prozess. „Machine Learning Operations“, oder MLOps, baut auf DevOps auf und beschreibt den Prozess, bei dem experimentelle ML-Modelle in den produktiven Betrieb übernommen werden. Dabei können insbesondere bei der Skalierung einige Schwierigkeiten auftreten, die es zu vermeiden gilt.

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 Daten, die es immer aufwändiger macht, neue Erkenntnisse zu gewinnen und Entscheidungen zu treffen. Prognosen zufolge werden ab 2025 jährlich mehr als 175 Zettabytes an Daten anfallen1, Tendenz steigend. Gleichzeitigt gibt es rasante Fortschritte bei der Verfügbarkeit von Rechenleistung und der Bereitstellung von Daten. Immer größere Datenmengen können statisch oder im Stream gespeichert, verarbeitet und analysiert werden. Zudem wurden Data Science und Mining durch das Aufkommen von Auto-ML-Tools- und Plattformen geradezu demokratisiert, sodass immer mehr ursprüngliche Nutzer jetzt als Entwickler tätig sind.

Um wirklichen Mehrwert zu liefern, müssen KI und ihre 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. 79% der Befragten bezeichnen KI in diesem Kontext als sehr bedeutend oder gar erfolgskritisch.2

Von ML hin zu MLOps

Noch vor Kurzem konnte maschinelles Lernen fraglos als Nischen-Disziplin bezeichnet werden, die nur einer kleinen Gruppe an Experten zugetraut wurde. Entsprechend überschaubar und reibungslos verliefen die Entwicklungsprozesse von ML-Anwendungen. Mit dem Siegeszug der digitalen Transformation rückte auch KI immer mehr in deren Mittelpunkt. So entstand die Notwendigkeit, analog zu DevOps, auch für ML-Anwendungen einem voll funktionsfähigen Entwicklungs-, Operationalisierungs- und Automatisierungszyklus zu folgen: Machine Learning Operations, kurz MLOps. 

"Die Notwendigkeit von MLOps ergibt sich aus der Tatsache, dass die Anforderungen an ML-Anwendungen heute zu groß und zu komplex sind, als dass sie von einer kleinen Gruppe ausgeführt werden könnten. Es erfordert Methoden, Prozesse und die Kunst der Organisation. " 

Zur Skalierung von KI über alle Bereiche hinweg gilt es, sich auf die Implementierung einer Reihe von Standards und eines Frameworks zu konzentrieren, um produktionsfähige KI- und ML-Bausteine zu erstellen. Außerdem ist es zwingend erforderlich, sich auf den Aufbau standardisierter Prozesse zu konzentrieren, die zuverlässig und reproduzierbar sind. Es wird nicht möglich sein, maschinelles Lernen zu industrialisieren, wenn man sich auf einige wenige talentierte Fachkräfte verlässt; die Industrialisierung erfordert das Zusammenkommen einer vielfältigen Mischung aus Talenten und Technologien.

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

Wenn Unternehmen nur einige wenige Modelle für eine begrenzte Anzahl an Produktlinien in Projektzyklen von wenigen Monaten entwickeln, werden sie nur einen begrenzten Mehrwert aus dem Einsatz von KI und ML ziehen. Eine nachhaltige Wirkung kann nur durch ein Portfolio von ML-Modellen erzielt werden, die entwickelt, automatisiert, operationalisiert und in laufende Geschäftsfunktionen eingebettet werden. 

Grundbausteine von MLOps

  • Wiederverwendbare Module und Frameworks, automatisierte Datenaufbereitung und Kollaboration sowie Versionierung von Modellen, sodass Data Scientists Modelle für unterschiedliche Anwendungsfälle wiederverwenden bzw. die Entwicklung beschleunigen können
  • Aufbau einer ML-Pipeline, die in Anwendungen, Portale, Enterprise-Analytics-Plattformen und Datenbanken einfließt
  • Kontinuierliche Feedback-Schleife in die Datenspeicher und Feature-Stores 
  • Modellmanagement mit einer festgelegten Frequenz für Datenaktualisierungen, Verwaltung von Variablen, Scheduling und Bereitstellung von Modellen von überall 
  • Monitoring von Modelldrift und Performance für alle Modelle in der Produktion; Benachrichtigungen und Warnungen zu Ereignissen im ML-Lebenszyklus; zentralisierte Schnittstellen und Dashboards zur Überwachung von ML-Pipelines

Grundlagen für ein erfolgreiches MLOps

Der Weg zu MLOps und einer effektiveren ML-Entwicklung hängt von der Auswahl der richtigen Mitarbeiter, Prozesse, Technologien und Betriebsmodelle ab, die stark mit den Geschäftsproblemen und -zielen verknüpft sein sollten.

"Ziel ist die Prozessautomatisierung und Effizienzsteigerung; Die Tools und der Technologie-Stack müssen in den Prozess eingebunden sein. "

Metriken und Maßnahmen an der Vision ausrichten: Es ist notwendig, zu Beginn eine Vision festzulegen und ihre Umsetzungsreife zu bewerten. Was nicht gemessen werden kann, kann nicht verbessert werden. Die Standards für die Gestaltung und Messung der Effizienz und Effektivität von MLOps entwickeln sich weiter und müssen in das Performance Management integriert werden.

Fokus auf Prozesse und Systeme: MLOps sitzt an der Schnittstelle von Skills und Prozessen. Es vereint verschiedene Skills und stützt sich auf Automatisierung, Workflows und Systeme, um die Wirkung nachhaltig zu steigern.

Design für Innovation und Veränderung: Die Prozesszentriertheit kann manchmal verdecken, dass Innovation der Kern von KI ist. Das MLOps-Framework sollte Innovationen fördern, so dass die KI selbst relevant und zukunftsfähig bleibt. Außerdem werden bei Black Swan3 Events, wie einer globalen Pandemie, einige etablierte Prozesse ineffektiv und dysfunktional. Es ist wichtig, Data Scientists, KI-Experten und ML-Champions ein Forum zu bieten und sie zu befähigen, neue Zusammenhänge zu erforschen, neue Produkte zu innovieren und an der Spitze dieser sich schnell entwickelnden Disziplin zu bleiben.

Change-Management: Da MLOps viele Teams erfordert, müssen auch Modelle genutzt werden, die von anderen entwickelt wurden. Dies ist nicht einfach zu implementieren und erfordert ein stringentes Change-Management. Verschiedene Abteilungen neigen dazu, ihre eigenen Data-Science-Teams aufzubauen und ihr eigenes KI-Setup aufzusetzen. Dies führt zu Doppelarbeit und Redundanzen, und schlimmer noch, die besten Modelle, die im Unternehmen existieren, sind möglicherweise nicht bekannt oder werden nicht genutzt.

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.

ML ist genau wie jedes andere mächtige Werkzeug: Wenn es richtig eingesetzt wird, kann es helfen, etwas Neues und Hilfreiches aufzubauen. Auf der anderen Seite führt der falsche Einsatz zu Schaden. Ein großer Vorteil von KI und ML ist die Geschwindigkeit von Analysen und Bereitstellung von Erkenntnissen in großem Umfang. Werden sie jedoch falsch eingesetzt, können sie mit derselben Geschwindigkeit und in noch größerem Umfang zu suboptimalen und sogar schlechten Entscheidungen führen. Um dies zu vermeiden, müssen wir MLOps in alle unsere KI-Bemühungen im großen Maßstab bereits in der Designphase einbetten.

 

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 sich die komplette Publikation  (in Englisch) mit weiteren Informationen und Hinweisen hier herunter

Quellen

1. Tom Coughlin, “175 Zettabytes by 2025,” Forbes, 27. November 2018, abgerufen am 03. Mai 2021.

2. Deloitte, „KI-Studie 2020 : Wie nutzen Unternehmen Künstliche Intelligenz?“, abgerufen am 03. Mai 2021. 

3. Nassim Nicholas Taleb: The Black Swan: The Impact of the Highly Improbable. 2007.