Einstellungen für Cookies und Datenerfassung

Wir setzen auf unserer Website technisch notwendige Cookies ein. Diese sind dazu da, um die Sitzung aufrecht zu erhalten sowie Ihre Angabe zu dieser Hinweisfunktion für diese und weitere Sitzungen zu speichern. Sie können diese Cookies in Ihren Browsereinstellungen kontrollieren und verwalten.

Bitte entscheiden Sie darüber hinaus, welche weiteren Cookies sie zulassen wollen:

Cookies für Statistik:  Wir nutzen Google Analytics, um die Zugriffe auf unserer Website zu analysieren und damit das Angebot zu verbessern. Dazu werden Daten zur Website-Nutzung anonymisiert an Google übertragen.

Mehr Informationen finden Sie auf den Seiten Impressum und Datenschutz, wo Sie diese Einstellung auch später wieder ändern können.

MLOps: DevOps für Machine Learning Anwendungen

DevOps ist Standard in der IT. Das Konzept des MLOps erweitert den DevOps-Ansatz um die besonderen Anforderungen des Machine Learning Lifecycle.

MLOps-Automatisierung beginnt bei Data Ingestion und schließt den Aufbau eines Featurestore ein, geht über das Model Training und Tracking, die Pipeline-Automatisierung bis hin zum erfolgreichen Deployment, Monitoring und regelmäßigen Retraining von Modellen auf Containerplattformen.

Bei d-fine haben wir uns in den vergangenen Jahren intensiv mit dem Thema MLOps auseinandergesetzt. Die Lösungen, die wir umgesetzt haben, reichen von Plattformen auf Basis der MLOps PaaS-Services der großen Cloud-Provider bis hin zu Cloud-agnostischen Lösungen basierend auf Managed-Kubernetes und Kubeflow.

Welche Lösung die richtige ist, hängt von vielen Faktoren ab. So geht es neben den Kostenaspekten auch um die generelle IT-Strategie und die Präferenzen zwischen Eigenverwaltung und Auslagerung. Insbesondere geht der Nutzen und die Anwendbarkeit einer Containerplattform weit über KI hinaus, sodass mithin die unternehmensweite Anwendungsentwicklung und -bereitstellung damit abgedeckt werden kann – und vielfach ist Kubernetes ohnehin schon Standard.

Stark getrieben durch die Erfahrungen, die wir auf unseren KI-Projekten gesammelt haben, konnten wir einen rein open-source-basierten MLOps-Stack entwickeln, der neuste Frameworks mit bewährten Technologien und Best Practices vereint. Dadurch konnten wir End-to-End MLOps-Prozesse als integralen Aspekt eines ressourcenschonenden und agilen Geschäfts bei unseren Kunden etablieren.

Unseren Flyer zum Thema MLOps finden Sie hier zum Download.