Plattformen für die Operationalisierung von maschinellem Lernen (MLOps) ermöglichen es den Nutzern, maschinelle Lernmodelle zu verwalten und zu überwachen, während sie in Geschäftsapplikationen integriert werden. Darüber hinaus erleichtern viele dieser Tools die Bereitstellung dieser Modelle. Mit diesen Tools können Unternehmen maschinelle Lernmodelle und Algorithmen implementieren, die von Datenwissenschaftlern und Entwicklern erstellt wurden. MLOps-Software automatisiert die Bereitstellung, überwacht die Gesundheit, Leistung und Genauigkeit der Modelle und iteriert an diesen Modellen. Einige Tools bieten Funktionen für die Zusammenarbeit. Dies ermöglicht es Unternehmen, maschinelles Lernen im gesamten Unternehmen zu skalieren und einen greifbaren Geschäftseinfluss zu erzielen.
Zusätzlich können diese Produkte Sicherheits-, Bereitstellungs- und Governance-Funktionen bieten, um sicherzustellen, dass nur diejenigen, die berechtigt sind, Versionsänderungen oder Bereitstellungsanpassungen vorzunehmen, dies auch tun können. Die Tools können sich darin unterscheiden, auf welchen Teil der Reise oder des Workflows des maschinellen Lernens sie sich konzentrieren, einschließlich Erklärbarkeit, Hyperoptimierung, Feature Engineering, Modellrisiko, Modellauswahl, Modellüberwachung und Experimentverfolgung.
Diese Tools sind in der Regel sprachunabhängig, sodass sie unabhängig davon erfolgreich eingesetzt werden können, wie ein Algorithmus erstellt wird. Einige konzentrieren sich jedoch speziell auf Sprachen wie R oder Python, unter anderem. Einige dieser Produkte sind darauf spezialisiert, maschinelle Lernexperimente zu verfolgen, um die Leistung der Modelle besser zu verstehen. Darüber hinaus bieten einige Produkte die Möglichkeit, die Trainingsdatensätze der Benutzer zu erweitern, um das Modelltraining zu verbessern.
Einige MLOps-Lösungen bieten eine Möglichkeit, alle maschinellen Lernmodelle im gesamten Unternehmen an einem einzigen Ort zu verwalten. Obwohl sie den Datenwissenschafts- und maschinellen Lernplattformen ähneln, unterscheidet sich diese Software, da sie sich auf die Wartung und Überwachung von Modellen anstatt auf die Bereitstellung konzentriert.
Um sich für die Aufnahme in die Kategorie der MLOps-Plattformen zu qualifizieren, muss ein Produkt:
Eine Plattform zur Überwachung und Verwaltung von maschinellen Lernmodellen bieten
Es den Nutzern ermöglichen, Modelle in Geschäftsapplikationen im gesamten Unternehmen zu integrieren
Die Gesundheit und Leistung der bereitgestellten maschinellen Lernmodelle verfolgen
Ein ganzheitliches Management-Tool bereitstellen, um alle im Unternehmen bereitgestellten Modelle besser zu verstehen
