BARC (Business Application Research Center) veröffentlicht die Ergebnisse ihrer aktuellen Studie „Driving Innovation with AI. Getting Ahead with DataOps and MLOps“. Die internationale Umfrage gibt Einblicke in die Wahrnehmung von DataOps und MLOps und die damit adressierten Problemstellungen sowie die Auswirkungen, die die Umsetzung/Vernachlässigung eben dieser Konzepte in Unternehmen verursacht, die ML nutzen wollen. Die Studie steht dank des Sponsorings von ONE LOGIC, Domino Data Lab und DataRobot zum kostenlosen Download zur Verfügung.
- DataOps und MLOps werden weithin als die Konzepte zur Bewältigung gängiger Herausforderungen und Probleme im Bereich ML wahrgenommen, aber nur 50 Prozent der Unternehmen, die ML anwenden, setzen sie bereits ein.
- DataOps und MLOps machen ihrem Ruf alle Ehre: 97 Prozent der Unternehmen, die Daten/MLOps eingeführt haben, geben an, dass sie dadurch erhebliche Verbesserungen erzielt haben. Sie können Herausforderungen und Komplexität besser bewältigen und Modelle schneller bereitstellen.
- Open Source dominiert bei der Umsetzung von ML. Kommerzielle Tools und Plattformen können die Bereitstellung von ML-Ergebnissen vereinfachen und beschleunigen.
- Die Umsetzung von DataOps und MLOps bewirkt zahlreiche positive Nebeneffekte, zum Beispiel bei der Rekrutierung von Expert:innen oder dem Einsatz neuer Tools, Plattformen und Infrastrukturen. Allerdings bleiben zentrale Herausforderungen, wie Datensilos und Herstellung von allgemeiner Akzeptanz für ML, bestehen.
Welchen Nutzen können Sie von Data/MLOps erwarten?
Den Ergebnissen der neuen BARC-Umfrage zufolge haben die meisten Unternehmen ihre ML-Reise gerade erst begonnen und daher noch kein ML-Modell eingesetzt. Dennoch haben sich die meisten Befragten bereits mit den Konzepten von DataOps und MLOps vertraut gemacht und evaluieren deren Umsetzung. Die Zahl derjenigen, die DataOps und MLOps bereits oder zumindest teilweise eingeführt haben, ist mit insgesamt 26 Prozent überraschend gering. Von den Befragten, die zumindest ein ML-Modell operationalisiert haben, hat die Hälfte bereits DataOps und MLOps bis zu einem gewissen Grad eingeführt. 97 Prozent der Befragten gaben an, dadurch signifikante Verbesserungen erzielt zu haben (siehe Abbildung 1).
„Das ist keine Überraschung, denn DataOps richtet sich auf die Realisierung eines überschaubaren, wartbaren und automatisierten Flusses qualitätsgesicherter Daten zu Datenprodukten“, sagt Alexander Rode, Data & Analytics Analyst bei BARC und Mitautor der Studie. „MLOps adressiert die zusätzlichen speziellen Anforderungen bezüglich der Entwicklung, Bereitstellung und Pflege von ML-Modellen, die ebenfalls Datenprodukte sind. Das Ziel beider Konzepte in diesem Kontext ist es, Transparenz über alle Abhängigkeiten zwischen den beteiligten Systemen entlang einer End-to-End-Datenpipeline zu schaffen und die Zusammenarbeit zwischen Expert:innen zu fördern, indem der Prozess der Entwicklung, Aktualisierung und Pflege von ML-Modellen agiler und effizienter gestaltet wird.“
Die Umfrage hat auch mehrere andere positive Effekte und komparative Vorteile aufgezeigt, die auf die Einführung von DataOps und MLOps zurückgeführt werden können.
Augen auf bei der Softwareauswahl
Generell können DataOps und MLOps als prozessorientierte Konzepte gleichermaßen mit Open-Source- und kommerziellen Tool-Stacks umgesetzt werden. Dennoch vermitteln unsere Studienergebnisse, dass Nutzer:innen kommerzieller Werkzeuge weniger häufig von Komplexität überfordert werden, sobald ML-Modelle operationalisiert werden. In der Phase vor der Operationalisierung erster Modelle spielt die Werkzeugwahl in dieser Hinsicht keine große Rolle (siehe Abbildung 2).
„Unserer Meinung nach sollte diese Zeit genutzt werden, um mit verschiedenen Tools zu experimentieren und aktuelle und zukünftige Anforderungen zu evaluieren“, so Rode. „Um zukünftige Anforderungen an Tools zu evaluieren, empfehlen wir, sich mit den Konzepten von DataOps und MLOps vertraut zu machen, da sie die meisten Herausforderungen und Probleme der angewandten KI adressieren. Die Umfrageergebnisse zeigen, dass dies ohnehin keine schlechte Idee ist. Allein die Beschäftigung mit diesen Konzepten scheint einen positiven Effekt auf die Wahrnehmung und den Umgang mit ML-bezogener Arbeit zu haben. Die Annahme von DataOps und MLOps fördert auch die schnellere Bereitstellung von ML-Modellen.“
