Machine Learning mit dem Model Factory Framework operationalisieren

Unternehmen verlassen sich bei der Entscheidungsfindung zunehmend auf Daten, um Erfolge der Vergangenheit zu wiederholen und Misserfolge zukünftig zu vermeiden. Traditionsgemäß verfolgten Unternehmen einen reaktiven Ansatz, bei dem sie auf der Grundlage von Leistungsdaten aus der Vergangenheit Entscheidungen für morgen treffen.

Mit Machine Learning können Unternehmen ihre Daten jedoch nun nutzen, um einen Einblick in mögliche zukünftige Ergebnisse zu erhalten. Von Finanzprognosen, der Abwanderungsvorbeugung und vorausschauender Wartung bis hin zum Bestandsmanagement und auch einfach dem Erkennen der nächsten besten Maßnahmen: Machine Learning ermöglicht es Unternehmen, bessere Entscheidungen zu treffen.

Obwohl Machine Learning ein überaus leistungsfähiges Instrument ist, kann die Implementierung von maschinellen Lernmodellen für reale Anwendungen eine große Herausforderung darstellen. So scheitern laut IDC fast 30 % aller KI- und ML-Initiativen. Die Ursachen hierfür sind vielschichtig:

• Fehlende Entwicklererfahrung mit Machine Learning
• Schlechte Datenqualität und schwierige Operationalisierung
• Zeitaufwendige Prozesse, wie wenn z. B. neue Datensätze wiederholt trainiert werden müssen
• Fehlende standardisierte Best Practices zur Integrierung von CI/CD, DevOps und DataOps sowie Software-Engineering-Praktiken
• Eine Vielzahl an Tools, Prozessen und Frameworks sowie Daten- und Betriebsteams mit besonderen Präferenzen

Um diese Herausforderungen anzugehen und die Unterschiede zwischen Ihren Teams auszugleichen, benötigen Sie ein standardisiertes Framework, das unabhängig von der jeweiligen Plattform oder Tools ist.

Das Model Factory Framework

Das Model Factory Framework von Rackspace Technology wurde für all diese Herausforderungen konzipiert. Es bietet einen kohärenten Mechanismus, über welchen Daten- und Betriebsteams Ihres Unternehmens miteinander arbeiten, Modelle entwickeln, Paketierungen automatisieren und in mehreren Umgebungen bereitstellen können. Gleichzeitig werden Verzögerungen bei der Bereitstellung, Inkompatibilitäten und andere Probleme vermieden.

Es handelt sich um eine Cloud-basierte Lösung für das Management des Machine-Learning-Zyklus und damit eher um ein Architekturmuster als ein Produkt. Da es offen und modular ist, eignet es sich für eine Integration mit AWS-Services und industrieüblichen Automatisierungstools wie Jenkins, Airflow und AWS CodePipeline zur Datenverarbeitung.

Da der Machine-Learning-Zyklus mit seinen mehreren Aufbau-, Trainings-, Test- und Validierungsphasen über die Datenanalyse, die Modellentwicklung, die Bereitstellung und die Überwachung hinweg durchaus komplex ist, integriert das Model Factory Framework Amazon SageMaker, ein KI- und ML-Services-Stack, der Folgendes umfasst:

• KI-Dienste, die vortrainierte Modelle für gebrauchsfertige Bild-, Sprach-, Sprachverarbeitungs-, Vorhersage- und Empfehlungsmaschinenfunktionen bereitstellen
• ML-Dienste, die vorkonfigurierte Umgebungen bereitstellen, in denen Sie Deep-Learning-Funktionen für Ihre Anwendungen erstellen, trainieren und einsetzen können

Darüber hinaus unterstützt der Amazon SageMaker alle führenden ML-Frameworks, -Schnittstellen und -Infrastrukturoptionen und gewährleistet damit höchste Flexibilität.

Hauptvorteile des Model Factory Frameworks

Das Model Factory Framework kann Ihnen dabei helfen, den gesamten Machine-Learning-Zyklus von über 25 auf weniger als 10 Schritte zu reduzieren. Es beschleunigt den Prozess auch, indem es die Übergaben zwischen den verschiedenen beteiligten Teams automatisiert und die Fehlersuche vereinfacht. Dies geschieht durch die Bereitstellung einer einzigen Informationsquelle für das ML-Management.

• Datenwissenschaftlern bietet das Model Factory Framework eine standardisierte Modellentwicklungsumgebung, die Möglichkeit zur Nachverfolgung von Experimenten, Trainingsläufen und resultierenden Daten, automatisches Modell-Retraining und bis zu 60 % Einsparungen bei den Compute-Kosten durch den skriptgesteuerten Zugriff auf Spot-Instance-Training und Hyperparameteroptimierungs-Trainingsjobs (HPO) in der Qualitätssicherung.
   
• Für Betriebsteams automatisiert das Framework die Modellbereitstellung in Entwicklungs-, QA- und Produktionsumgebungen. Darüber hinaus bietet es eine Registry zur Verfolgung der Modellversionshistorie sowie Tools für die Diagnose, Leistungsüberwachung und Abschwächung der Modelldrift.
   
• Für die Organisation bietet das Framework eine Modelllinie für die Governance und Vorschriften, verkürzt die Zeit zu Erkenntnissen und beschleunigt den ROI, während der Aufwand für die Einführung von Machine-Learning-Modellen in die Produktion reduziert wird.

Erste Schritte mit dem Model Factory Framework

Wenn Sie mehr über das Model Factory Framework von Rackspace Technology erfahren und erkunden möchten, wie es von der Modellentwicklung bis zur Bereitstellung, Überwachung und Governance Prozesse verbessert, laden Sie unser Whitepaper „Schneller von ML-Modellen zu verwertbaren Erkenntnissen“ herunter. Hierin finden Sie:

• Überblick zum Machine-Learning-Zyklus und Herausforderungen, die dieser birgt
• Inwieweit sind DevOps-Praktiken nicht richtig auf den Machine-Learning-Zyklus ausgerichtet
• Model Factory Framework: Überblick, Tools und Prozesse
• Wie das Model Factory Framework den Modelleinsatz von 25 auf 10 Schritte verkürzt