• 2 min read

Wettbewerbsvorteile durch MLOps

Microsoft Azure Machine Learning (ML) adressiert komplexe geschäftliche Herausforderungen, die zuvor als nicht lösbar angesehen wurden. Die Lösung wirkt sich transformativ auf alle Vorgänge im Geschäftsalltag aus.

Unternehmen nutzen Machine Learning (ML) heutzutage für die Transformation interner Strukturen und zum Entwickeln eines nachhaltigen Wettbewerbsvorteils. Maschinelles Lernen wird in Branchen wie dem Gesundheitswesen, der Logistik, der Lieferkettenverwaltung und dem Risikomanagement für die Entwicklung bahnbrechender Neuerungen und die Neustrukturierung von Geschäftsmodellen verwendet.

Organisationen benötigen die Technologie und Tools, die erforderlich sind, um erfolgsversprechende Machine Learning-Modelle zu entwickeln und bereitzustellen, um auf flexibel agieren zu können. MLOps spielt daher bei der Bereitstellung von Machine-Learning-Projekten im gewünschten Umfang eine wichtige Rolle. Was ist MLOps? MLOps beschreibt die Zusammenarbeit von Data-Science- und IT-Teams mit dem Ziel, den gesamten Lebenszyklus des Produkts (Modellentwicklung, Bereitstellung, Überwachung usw.) zu beschleunigen. Microsoft Azure Machine Learning ermöglicht es Unternehmen, MLOps-Praktiken vollständig zu nutzen und somit das Potenzial von KI in der jeweiligen Branche zu erkennen.

TransLink ist ein gutes Beispiel für einen Kunden, der sein Unternehmen mithilfe von Machine Learning und MLOps transformiert hat. Das Unternehmen betreut das Transportnetzwerk von Metro Vancouver, das seit 2018 von insgesamt 400 Millionen Fahrgästen genutzt wurde. Angesichts des umfangreichen Busliniennetzes, das 1.800 Quadratkilometer umfasst, sind Kunden von TransLink zum Planen ihrer Reisen stark auf genaue Abfahrtszeiten angewiesen.

TransLink hat zur Verbesserung der Kundenfreundlichkeit 18.000 verschiedene Gruppen von Machine Learning-Modellen bereitgestellt, um die Abfahrtszeiten von Bussen besser vorhersagen zu können und dabei Faktoren wie Verkehr, Wetter und andere Fahrplanabweichungen zu berücksichtigen. Die Verwendung von MLOps mit Azure Machine Learning ermöglichte das Verwalten und Bereitstellen von umfangreichen Modellen.

„TransLink hat mit MLOps in Azure Machine Learning alle Modelle in die Produktion verlagert und die Vorhersagen um 74 Prozent verbessert, sodass Kunden ihre Reise im Verbund von TransLink besser planen können. Die Wartezeit an den Haltestellen konnte um durchschnittlich 50 Prozent reduziert werden.“ – Sze-Wan Ng, Director of Analytics & Development, TransLink

Johnson Controls ist ein weiterer Kunde, der Machine-Learning-Vorgänge in großem Umfang verwendet. Seit über 130 Jahren produziert das Unternehmen Brandschutzanlagen sowie HVAC- und Sicherheitsausrüstungen für Gebäude. Johnson Controls befindet sich derzeit inmitten einer Smart-City-Revolution, bei der Machine Learning eine zentrale Rolle in der Gerätewartung und Anlageninstandhaltung spielt.

Das Unternehmen betreibt Tausende Kühlgeräte mit jeweils 70 verschiedenen Arten von Sensoren, die mehrere Terabyte an Daten streamen. Mithilfe von MLOps konnten Modelle zeitnah in der Produktionsumgebung bereitgestellt werden, um mit einem wiederholbaren Prozess Einblicke in Wartungsroutinen in Echtzeit zu liefern. Auf diese Weise können Abschaltungen von Kühlgeräten Tage im Voraus vorhergesagt und effektiv verringert werden, sodass Kosten eingespart werden und die Kundenzufriedenheit gesteigert wird.

„Mithilfe der MLOps-Funktionen in Azure Machine Learning konnten wir sowohl die durchschnittliche Zeit für die Reparatur als auch die ungeplante Ausfallzeit um über 66 Prozent verringern, was zu erheblichen geschäftlichen Vorteilen führte.“ – Vijaya Sekhar Chennupati, Applied Data Scientist bei Johnson Controls

Erste Schritte mit MLOps

Organisationen müssen die Stringenz und Prozesse anderer Softwareentwicklungsprojekte anwenden, um die Vorteile von MLOps in vollem Umfang nutzen zu können.

GigaOm hat den Bericht zur MLOps-Vision erstellt, der bewährte Methoden für eine effektive Implementierung und ein Reifemodell enthält, um Organisationen bei der Machine-Learning-Journey zu unterstützen.

Die Reife wird durch fünf Ebenen der Entwicklung über Schlüsselkategorien wie beispielsweise Strategie, Architektur, Modellierung, Prozesse und Governance gemessen. Mit dem Reifemodell können Unternehmen ihre eigene Position bewerten und festlegen, welche Schritte erforderlich sind, um die nächsthöhere Ebene und Geschäftsziele zu erreichen.

 

MLOps-Reife

 

„Organisationen können die Herausforderungen bei der Entwicklung von KI-Lösungen meistern, indem sie MLOps anwenden und bewährte Methode implementieren. Der Bericht und das MLOps-Reifemodell von GigaOm können bei dieser Journey sehr hilfreich sein.“ – Vijaya Sekhar Chennupati, Applied Data Scientist bei Johnson Controls

Lesen Sie den GigaOm-Bericht, um herauszufinden, wie Sie die Machine-Learning-Transformation in Ihrem Unternehmen durchführen können.

Weitere Informationen