Die Abkürzung MLOps steht für Machine Learning Operations. Der englische Ausdruck bezeichnet die Übertragung des DevOps-Konzeptes aus dem Bereich der Softwareentwicklung auf den Bereich des Machine Learnings. Ziel des MLOps ist es, Modelle des maschinellen Lernens effizienter zu entwickeln, bereitzustellen, zu verwalten und zu überwachen. Die verbundenen Data-Science-Prozesse werden in enger Zusammenarbeit von Entwicklern, Datenwissenschaftlern und den entsprechenden Betriebsbereichen operationalisiert.

Für Firmen ist MLOps daher überaus vielversprechend: Unternehmen erhalten damit die Chance, aus dem maschinellen Lernen eine größeren geschäftlichen Nutzen zu ziehen – und das in kürzerer Zeit. Was im Detail unter Machine Learning Operations zu verstehen ist und welche konkreten Vorteile für Unternehmen entstehen, erklärt der folgende Beitrag.

MLOps: Das DevOPs des maschinellen Lernens

Also zuerst: Was ist MLOps? Mit dem Begriff MLOps werden drei Bereiche zusammengefasst. Somit beruht das Konzept auf dem Betrieb, also den Operations, der Softwareentwicklung, also dem Software Development, und dem maschinellen Lernen, dem Machine Learning. Es findet eine Übertragung des DevOps aus der Softwareentwicklung auf das Machine Learning statt. Mit Hilfe von MLOps können Machine-Learning-Modelle nicht nur in einer höheren Qualität, sondern auch zuverlässiger und effizienter genutzt werden.

Die Vorteile für Unternehmen zeigen sich mit MLOps so schneller und fallen zudem umfassender aus. Mit MLOps werden dazu Prozesse automatisiert, sodass die Machine-Learning-Modelle kontinuierlich überwacht, validiert und getestet werden können. Der Ursprung von MLOps liegt in der Zusammenfassung verschiedener Best Practices. So entstand ein komplexes Konzept, welches das vollständige Management der Modelle des maschinellen Lernens umfasst. Das Machine Learning lässt sich in Form von Software-Artefakten immer wieder einsetzen und durchgängig überwachen.

Werkzeuge und Lösungen für MLOps

Heute besteht eine große Auswahl an Werkzeugen und Lösungen, um den Lifecycle von Machine-Learning-Modellen zu verwalten. Sie erlauben es, die Modelle zu überwachen, zu organisieren, bereitzustellen und zu entwickeln. Die Tools und Lösungen können dabei sowohl auf Open Source-Anwendungen als auch auf proprietärer Software basieren. Abhängig von der jeweiligen Umgebung des maschinellen Lernens arbeiten diese Cloud-basiert oder On-Premise. Teilweise werden außerdem Dienste, die eigentlich aus dem Bereich DevOps stammen angepasst und dann für das Maschine Learning genutzt. Dennoch dürfen die beiden Bereiche nicht miteinander verwechselt werden.

Welche Vorteile ergeben sich durch MLOps?

Unternehmen können durch Machine Learning Operations in vielerlei Hinsicht profitieren. So lassen sich die Modelle etwa wesentlich agiler und schneller bereitstellen. Der Grund dafür sind die kürzeren Entwicklungszyklen. Auf diese Weise geht von den Modellen des maschinellen Lernens gleich ein wesentlich größerer geschäftlicher Nutzen aus. Gleichzeitig zeichnen sich die Modelle durch eine höhere Qualität aus.

Die Machine Learning-Modelle lassen sich durch MLOps außerdem besonders einfach wiederverwenden und überwachen. Es wird eine kontinuierliche Anpassung und Aktualisierung erlaubt. Besonders für unproduktive Modelle reduziert sich so das verbundene Risiko.

Darüber hinaus lässt sich mit Hilfe von MLOps die Zusammenarbeit von Entwicklern, Datenwissenschaftlern und den einzelnen Abteilungen des Betriebes fördern. Da zahlreiche Prozesse automatisiert werden, wird der generelle Aufwand reduziert, sodass mehr Zeit für das Kerngeschäft zur Verfügung steht. Nicht zu vernachlässigen ist daneben auch, dass MLOps dazu beiträgt, dass sich die Maschine Learning-Modelle besser skalieren lassen.