{"id":50184,"date":"2022-06-02T11:03:00","date_gmt":"2022-06-02T11:03:00","guid":{"rendered":"https:\/\/barc.com\/de\/?post_type=news&#038;p=50184"},"modified":"2022-11-09T13:56:49","modified_gmt":"2022-11-09T13:56:49","slug":"mit-dataops-und-mlops-zu-erfolgreicher-ki","status":"publish","type":"news","link":"https:\/\/barc.com\/de\/news\/mit-dataops-und-mlops-zu-erfolgreicher-ki\/","title":{"rendered":"Mit DataOps und MLOps zu erfolgreicher KI"},"content":{"rendered":"\n<p>BARC (Business Application Research Center) ver\u00f6ffentlicht die Ergebnisse ihrer aktuellen Studie &#8222;Driving Innovation with AI. Getting Ahead with DataOps and MLOps&#8220;. Die internationale Umfrage gibt Einblicke in die Wahrnehmung von DataOps und MLOps und die damit adressierten Problemstellungen sowie die Auswirkungen, die die Umsetzung\/Vernachl\u00e4ssigung eben dieser Konzepte in Unternehmen verursacht, die ML nutzen wollen. Die Studie steht dank des Sponsorings von ONE LOGIC, Domino Data Lab und DataRobot&nbsp;<a href=\"https:\/\/barc.com\/de\/research\/driving-innovation-with-ai\/\" target=\"_blank\" rel=\"noreferrer noopener\">zum kostenlosen Download zur Verf\u00fcgung<\/a>.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>DataOps und MLOps werden weithin als die Konzepte zur Bew\u00e4ltigung g\u00e4ngiger Herausforderungen und Probleme im Bereich ML wahrgenommen, aber nur 50 Prozent der Unternehmen, die ML anwenden, setzen sie bereits ein.<\/li>\n\n\n\n<li>DataOps und MLOps machen ihrem Ruf alle Ehre: 97 Prozent der Unternehmen, die Daten\/MLOps eingef\u00fchrt haben, geben an, dass sie dadurch erhebliche Verbesserungen erzielt haben. Sie k\u00f6nnen Herausforderungen und Komplexit\u00e4t besser bew\u00e4ltigen und Modelle schneller bereitstellen.<\/li>\n\n\n\n<li>Open Source dominiert bei der Umsetzung von ML. Kommerzielle Tools und Plattformen k\u00f6nnen die Bereitstellung von ML-Ergebnissen vereinfachen und beschleunigen.<\/li>\n\n\n\n<li>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 f\u00fcr ML, bestehen.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Welchen Nutzen k\u00f6nnen Sie von Data\/MLOps erwarten?<\/strong><\/h2>\n\n\n\n<p>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 eingef\u00fchrt haben, ist mit insgesamt 26 Prozent \u00fcberraschend gering. Von den Befragten, die zumindest ein ML-Modell operationalisiert haben, hat die H\u00e4lfte bereits DataOps und MLOps bis zu einem gewissen Grad eingef\u00fchrt. 97 Prozent der Befragten gaben an, dadurch signifikante Verbesserungen erzielt zu haben (siehe Abbildung 1).<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img fetchpriority=\"high\" decoding=\"async\" width=\"630\" height=\"474\" src=\"https:\/\/barc.com\/wp-content\/uploads\/2022\/09\/bild11-1.png\" alt=\"\" class=\"wp-image-50187\" srcset=\"https:\/\/barc.com\/wp-content\/uploads\/2022\/09\/bild11-1.png 630w, https:\/\/barc.com\/wp-content\/uploads\/2022\/09\/bild11-1-300x226.png 300w, https:\/\/barc.com\/wp-content\/uploads\/2022\/09\/bild11-1-600x451.png 600w\" sizes=\"(max-width: 630px) 100vw, 630px\" \/><figcaption class=\"wp-element-caption\"><strong>Abbildung 1: Which significant improvements has your company achieved with the introduction of MLOps\/DataOps? (n=61) \u00a9 BARC<\/strong><\/figcaption><\/figure>\n\n\n\n<p>&#8222;Das ist keine \u00dcberraschung, denn DataOps richtet sich auf die Realisierung eines \u00fcberschaubaren, wartbaren und automatisierten Flusses qualit\u00e4tsgesicherter Daten zu Datenprodukten&#8220;, sagt Alexander Rode, Data &amp; Analytics Analyst bei BARC und Mitautor der Studie. &#8222;MLOps adressiert die zus\u00e4tzlichen speziellen Anforderungen bez\u00fcglich der Entwicklung, Bereitstellung und Pflege von ML-Modellen, die ebenfalls Datenprodukte sind. Das Ziel beider Konzepte in diesem Kontext ist es, Transparenz \u00fcber alle Abh\u00e4ngigkeiten zwischen den beteiligten Systemen entlang einer End-to-End-Datenpipeline zu schaffen und die Zusammenarbeit zwischen Expert:innen zu f\u00f6rdern, indem der Prozess der Entwicklung, Aktualisierung und Pflege von ML-Modellen agiler und effizienter gestaltet wird.&#8220;<\/p>\n\n\n\n<p>Die Umfrage hat auch mehrere andere positive Effekte und komparative Vorteile aufgezeigt, die auf die Einf\u00fchrung von DataOps und MLOps zur\u00fcckgef\u00fchrt werden k\u00f6nnen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Augen auf bei der Softwareauswahl<\/strong><\/h2>\n\n\n\n<p>Generell k\u00f6nnen DataOps und MLOps als prozessorientierte Konzepte gleicherma\u00dfen mit Open-Source- und kommerziellen Tool-Stacks umgesetzt werden. Dennoch vermitteln unsere Studienergebnisse, dass Nutzer:innen kommerzieller Werkzeuge weniger h\u00e4ufig von Komplexit\u00e4t \u00fcberfordert werden, sobald ML-Modelle operationalisiert werden. In der Phase vor der Operationalisierung erster Modelle spielt die Werkzeugwahl in dieser Hinsicht keine gro\u00dfe Rolle (siehe Abbildung 2).<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img decoding=\"async\" width=\"300\" height=\"196\" src=\"https:\/\/barc.com\/wp-content\/uploads\/2022\/09\/bild2.png\" alt=\"\" class=\"wp-image-50188\"><figcaption class=\"wp-element-caption\"><strong>Abbildung 2: Tool stacks compared by actual complexity vs. expected complexity, by level of advancement (ML beginners: n=99; ML practitioners: n=100) \u00a9 BARC<\/strong><\/figcaption><\/figure>\n\n\n\n<p>\u201eUnserer Meinung nach sollte diese Zeit genutzt werden, um mit verschiedenen Tools zu experimentieren und aktuelle und zuk\u00fcnftige Anforderungen zu evaluieren&#8220;, so Rode. &#8222;Um zuk\u00fcnftige 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 Besch\u00e4ftigung 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 f\u00f6rdert auch die schnellere Bereitstellung von ML-Modellen.&#8220;<\/p>\n\n\n\n<p><\/p>\n","protected":false},"featured_media":41905,"template":"","meta":{"_acf_changed":false,"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}}},"categories":[48,49],"class_list":["post-50184","news","type-news","status-publish","has-post-thumbnail","hentry","category-datenmanagement","category-data-science"],"acf":[],"_links":{"self":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/news\/50184","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/media\/41905"}],"wp:attachment":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/media?parent=50184"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/categories?post=50184"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}