Machine Learning Operations (MLOps)

Was versteht man unter MLOps?

Der Begriff „Machine Learning Operations“ (MLOps) bezeichnet eine Reihe von Verfahren, die sich auf die Regulierung des gesamten Lebenszyklus von Machine-Learning-Modellen konzentrieren. Da sich immer mehr Unternehmen bei daten- und technologieorientierten Anwendungen auf das Machine Learning verlassen, hat sich der ursprüngliche Fokus von der reinen Modellentwicklung und -bereitstellung hin zu einer kontinuierlichen Überwachung und Aktualisierung ausgeweitet.

Mithilfe von MLOps wird der Überführungsprozess von Machine-Learning-Modellen in die Produktion optimiert, indem die Design-, Build- und Testaktivitäten der Entwicklungsphase mit den Bereitstellungs-, Wartungs- und Überwachungsaktivitäten der Betriebsphase in einer kontinuierlichen Feedbackschleife verknüpft werden. Die MLOps-Zusammenarbeit ist ein funktionsübergreifendes Konzept, an dem häufig Teams aus Datenwissenschaftlern, Ingenieuren und IT-Experten beteiligt sind.

Ein Diagramm des MLOps-Lebenszyklus, das die Entwicklung von Machine-Learning-Modellen und den Betrieb zur kontinuierlichen Überwachung und Wartung kombiniert.

Der MLOps-Lebenszyklus.

Was ist der Unterschied zwischen MLOps und DevOps? Sowohl bei MLOps als auch bei DevOps wird der Überführungsprozess von der Softwareentwicklung in die Produktion optimiert und die Zusammenarbeit zwischen Entwicklungs- und Betriebsteams verbessert. Im Mittelpunkt von MLOps steht jedoch der gesamte Lebenszyklus von Machine-Learning-Modellen.

Die Bedeutung von MLOps

Mithilfe von MLOps wird der komplexe Automatisierungsprozess des Machine-Learning-Zyklus vereinfacht. Die Automatisierung erfordert zusätzliche Schritte: die Überwachung und Bewertung der Modellperformance, die Einbeziehung der Ergebnisse dieser Bewertung in ein leistungsfähigeres Modell sowie die erneute Bereitstellung des neuen Modells. MLOps bietet entscheidende Vorteile bei der Machine-Learning-Produktion, was zu einer geringeren Fehlerquote, einer einfacheren Abstimmung und Übergabe zwischen den Teams und einer kontinuierlichen Verbesserung des KI-Systems führt.

Der Einsatz von MLOps ist besonders bei folgenden Anwendungen von Vorteil:

MLOps mit MATLAB

Mit MATLAB® und Simulink® können Sie ganz einfach MLOps-Prozesse automatisieren.

  • Erstellen von Machine-Learning-Modellen: Verwenden Sie vorgefertigte Funktionen und spezialisierte Apps, um Merkmale auszuwählen oder zu entwickeln und Machine-Learning-Modelle für klassifizierung, regression und Clustering zu erstellen.
Nebeneinanderliegende Screenshots der Classification Learner-App und der Regression Learner-App, die die Schritte zur Erstellung von Machine-Learning-Modellen und zur Visualisierung der Klassifizierungs- und Regressionsergebnisse zeigen.

Spezielle MATLAB-Apps (Classification Learner und Regression Learner) für die interaktive Untersuchung von Daten, die Auswahl von Merkmalen und das Trainieren, Vergleichen und Bewerten von Machine-Learning-Modellen.

  • Sie können AutoML verwenden, um den MLOps-Modellentwurf zu automatisieren. Für das Deep Learning können Sie vortrainierte Modelle aus MATLAB oder Open Source beziehen.
  • Simulieren von KI-Systemen: Integrieren Sie Machine-Learning-Modelle in KI-Systeme mithilfe spezieller Blöcke, z. B. mithilfe eines SVM-Klassifizierungsblocks oder eines Objekterkennungsblocks, und simulieren Sie ganze KI-Systeme, bevor Sie diese in der Produktion bereitstellen.
  • Erstellen (Build) und Testen mit CI: Verwenden Sie verschiedene Plattformen zur kontinuierlichen Integration (CI), wie Azure® DevOps, Jenkins® oder Ihren eigenen CI-Server, um MATLAB Programmcode auszuführen und Simulink-Systeme zu simulieren. CI ermöglicht die automatische Erstellung und das Testen Ihres Codes und Ihrer Systeme, eine bessere Zusammenarbeit zwischen den Teams und die frühzeitige Erkennung von Integrationsproblemen im MLOps-Zyklus.
  • Bereitstellen für die Produktion: Stellen Sie Machine-Learning-Modelle von MATLAB auf dem MATLAB Production Server™ bereit, ohne dafür neuen Code zu erstellen oder eine eigene Infrastruktur aufzubauen. Mehrere Benutzer können so automatisch auf die neueste Version der bereitgestellten MATLAB-Modelle zugreifen.
  • Überwachen des Betriebs: Sobald Ihre Machine-Learning-Modelle in der Produktion eingesetzt werden, können Sie deren Leistung überwachen und Feedback zur Verfügung stellen. Verwenden Sie beispielsweise die Drifterkennung, um beobachtete Daten mit Trainingsdaten zu vergleichen und festzustellen, wann ein Neutraining erforderlich ist.

Beispiele und Erläuterungen