Machine Learning Operations (MLOps) Aufbau

Ein international tätiger Lebensmittel-Einzelhändler hat es sich zum Ziel gesetzt, die innerhalb der Organisation entwickelten Machine Learning Modelle effizienter in den operativen Betrieb überzuführen und mittels Best Practices zu betreiben. Dadurch sollte die Kosten gesenkt und die Qualität der Modelle erhöht werden. 

Nachdem der Betrieb von Machine Learning Lösungen sich signifikant vom Betrieb von klassischer Software unterscheidet, gestaltete sich die Umsetzung teils schwierig.

• Überführung von Machine Learning Modellen und Pipelines in Produktionsbetrieb
• Laufende Qualitätssicherung und Management der Modelle und Pipelines während des Betriebs
• Pragmatische Architektur der Plattform mit Roadmap für zukünftigen Ausbau

Mit den Data Analytics und den IT Teams des Kunden wurde ein umfassendes Machine Learning Operations Modell entwickelt. Dabei mussten mehrere Sprachen (wie Python, R, SQL), Plattformen (wie Hadoop, Microsoft Azure Machine Learning, Spark) und Tools (wie Docker, Git) in ein kohärentes und wartbares Gesamtkonzept integriert werden.

• Definition eines Machine Learning Operations (MLOps) Betriebsmodells 
• Abbildung von On-Premise und Cloud Szenarien
• Migrationskonzept zur Überführung von Legacy Prozessen und Tools

• Zielarchitektur und Operating Modell
• Abstimmung (Alignment) zwischen Teilorganisationen
• Machine Learning Operations (MLOps) Best Practices
• Coaching und Begleitung bei der Implementierung