Selbstbedienungsprozesse und Software beseitigen unnötige Komplexität in professionellen Umgebungen. Sie machen aus dem, was langsam und kompliziert ist, etwas Schnelles und Einfaches. In Selbstbedienungskontexten lösen mehr Menschen Probleme selbst, anstatt sich auf andere zu verlassen. Die Produktivität steigt, und es wird ein höherer Geschäftswert geschaffen.
Derzeit leidet der Lebenszyklus des maschinellen Lernens (ML) - die Erstellung, das Training und die Bereitstellung eines maschinellen Lernmodells - unter einem Mangel an Selbstbedienung. Infolgedessen sind zahlreiche Unternehmen mit stockenden ML-Projekten konfrontiert, von denen viele nie das Licht der Welt erblicken.
Maschinelles Lernen braucht ein neues Selbstbedienungskonzept. Dies sind die acht wesentlichen Merkmale einer Self-Service-Lösung für maschinelles Lernen.
1. Mit Self-Service ML können Sie Integrationspipelines einmal erstellen und dann wiederverwenden
Beim maschinellen Lernen erstellen Dateningenieure und Datenwissenschaftler dieselben (oder ähnliche) Anwendungen und Datenintegrationspipelines immer wieder neu. Wenn sie beispielsweise Daten zu ihrem Trainingsdatensatz hinzufügen möchten, müssen sie viele der gleichen Datenvorbereitungsaufgaben ausführen, die sie bei der Zusammenstellung der ursprünglichen Trainingsdaten durchgeführt haben. Wenn Sie beim maschinellen Lernen in Eigenregie in der Phase der Datenvorbereitung eine Integrationspipeline erstellen, können Sie diese für eine Vielzahl von Zwecken wiederverwenden, u. a. für das kontinuierliche Training Ihres Modells.
2. Self-Service ML ersetzt Code durch eine visuelle Drag-and-Drop-Schnittstelle, wo immer dies möglich ist
Bei der Erstellung von Trainingsdatensätzen verbringen Data Engineers und Data Scientists viel Zeit damit, kategorische Spalten in numerische zu konvertieren, fehlende Werte zu bereinigen, Komponenten aus Datetime-Objekten zu extrahieren, Daten zu samplen und zu mischen und andere vorbereitende Funktionen auszuführen. Und sie tun dies größtenteils durch zeitintensive Programmierung in Python, Java oder einer anderen Programmiersprache. Mit einer Self-Service-Lösung können Sie diese Routineaufgaben durch Zeigen und Klicken (Ziehen und Ablegen) erledigen. Das spart Zeit, die Sie für die strategischeren Teile Ihrer Machine-Learning-Projekte nutzen können.
3. Self-Service ML erleichtert die Arbeit von IT und DevOps
Datenwissenschaftler und Ingenieure für maschinelles Lernen sind oft auf die IT angewiesen, um die Rohdaten für das Training ihrer Modelle bereitzustellen. Sie sind auch auf DevOps angewiesen, um das endgültige Modell in Produktion zu bringen. Es kommt unweigerlich zu Engpässen, da IT und DevOps diese datenwissenschaftlichen Anfragen mit einer langen Liste anderer Prioritäten abwägen. Self-Service-ML begrenzt den Aufwand für die IT- und DevOps-Experten, indem es den Datenwissenschaftlern unter anderem ermöglicht, ihre eigenen Quelldaten abzurufen und zusätzliche Schritte im Bereitstellungsprozess zu vermeiden. Dies fördert die Zusammenarbeit zwischen IT, DevOps, Dateningenieuren, Integrationsspezialisten und Datenwissenschaftlern.
4. Self-Service ML erleichtert die strategischen Aspekte von ML, die kritisches Denken und Programmierkenntnisse erfordern
Data Scientists verbringen zwischen 53 und 80 Prozent ihrer Zeit mit dem Sammeln, Ordnen und Bereinigen von Daten. Stattdessen sollten sie ihre technischen Fähigkeiten nutzen, um komplexe Probleme zu lösen, schwierige Fragen zu beantworten und mit maschinellem Lernen die Geschäftsergebnisse zu verbessern. Self-Service-ML automatisiert Routineaufgaben mit geringem Wert, um Zeit, Energie und Ressourcen für wichtige Aufgaben freizusetzen.
5. Self-Service ML eliminiert die Phase der Modellübersetzung
Sobald ein Modell rigorose Schulungen und Tests durchlaufen hat und schließlich einsatzbereit ist, müssen die DevOps es in Produktion bringen. Dazu müssen sie das Modell in der Regel in eine andere Programmiersprache übersetzen, um es mit der technologischen Infrastruktur des Unternehmens zu synchronisieren. Außerdem müssen sie Server in Betrieb nehmen. Mit Self-Service ML können Sie Ihr Modell als API bereitstellen, sobald es fertig ist, ohne dass Sie Webserver konfigurieren und Code schreiben müssen.
6. Self-Service ML macht es einfach, Ihr Modell kontinuierlich zu trainieren und neu einzusetzen
Wenn Sie möchten, dass Ihr Modell seine Vorhersagegenauigkeit ständig verbessert und sich an wechselnde Trends anpasst, müssen Sie es kontinuierlich mit zusätzlichen Daten trainieren. In einer konventionellen Umgebung bedeutet dies, dass Sie die gleichen code- und zeitintensiven Schritte wie zuvor durchführen müssen, um Daten zu erfassen, Ihren Trainingsdatensatz zu aktualisieren, DevOps zu veranlassen, das Modell erneut bereitzustellen, und so weiter. Self-Service Machine Learning reduziert den Umfang der wiederholten Arbeit, die Sie für das kontinuierliche Training Ihres Modells leisten müssen, drastisch. Sie können zuvor erstellte Integrationspipelines verwenden, um neue Rohdaten zu erfassen, diese Daten aufzubereiten, das Modell zu trainieren und zu validieren und das neue und verbesserte Modell zu operationalisieren.
7. Self-Service-ML verkürzt die Time-to-Value Ihrer Machine-Learning-Initiativen
Die Fallstricke traditioneller Ansätze für das maschinelle Lernen verlängern die Zeit, die Unternehmen benötigen, um die Rentabilität ihrer ML-Projekte zu erkennen. In manchen Fällen scheitern die ML-Initiativen ganz. Self-Service-ML vermeidet Wiederholungen, übermäßige Kodierung und Engpässe und führt so schneller zu positiven Ergebnissen. Darüber hinaus können Unternehmen so eine größere Anzahl leistungsstarker Modelle starten, als dies sonst der Fall wäre.
8. Selbstbedienungs-ML existiert in einer Plattform
Wenn die Selbstbedienungsfunktionen auf mehrere verschiedene Softwareprogramme verteilt sind, verlieren sie genau die Eigenschaften, die ihre Bezeichnung "Selbstbedienung" rechtfertigen. Wenn Sie nämlich ständig von einer "Self-Service"-Anwendung zur anderen wechseln müssen, behindert dies die Produktivität und führt zu Fehlern. Self-Service-Maschinenlernen ist in einer intelligenten Lösung enthalten. Diejenigen, die mit der Entwicklung und Produktion von maschinellem Lernen befasst sind, können Anwendungen und Daten integrieren, Modelle trainieren und validieren und diese Modelle über eine umfassende Plattform bereitstellen.
SnapLogic Datenwissenschaft: Maschinelles Lernen im Selbstbedienungsmodus wird Realität
SnapLogic Data Science, eine Erweiterung der SnapLogic Intelligent Integration Platform (IIP), setzt die Theorie des maschinellen Lernens im Selbstbedienungsmodus in die Realität um. Durch die Verkörperung der acht wesentlichen Merkmale von Self-Service-ML ermöglicht SnapLogic Data Science maschinelles Lernen für Unternehmen jeder Größe. SnapLogic Data Science steigert die Produktivität von Data Engineers und Data Scientists erheblich und beschleunigt so Ihre ML-Projekte. Das Erstellen von Machine Learning-Modellen ist jetzt viel einfacher geworden.
Wenn Sie mehr darüber erfahren möchten, warum ein Self-Service-Ansatz für maschinelles Lernen zu einer strategischen Notwendigkeit wird, lesen Sie unser E-Book "The dawn of self-service machine learning: Behebung der Schwächen der traditionellen ML-Entwicklung".
