Die Welt ist voller Konferenzen, heller Lichter, relativ bequemer Stühle und freundlicher Gesichter. Wenn man noch gutes Essen hinzufügt, steht einem rundum großartigen Erlebnis nichts im Wege.
Letzten Monat hatte ich das Vergnügen, an Rev 3 von Domino Data Lab im Big Apple teilzunehmen, und es hat nicht enttäuscht. Neben der Kameradschaft und den Werbegeschenken habe ich etwas über ihre Produktupdates und den breiteren Machine Learning (ML)-Bereich gelernt, was ich hier teilen werde.
Datenwissenschaft ist nicht mehr das, was sie einmal war
Wenn man die Geschichte der Datenwissenschaft betrachtet, kommen immer zwei Dinge zur Sprache:
- Daten
- Rechenleistung
Die grundlegende Geschichte lautet wie folgt: Der Aufstieg der künstlichen Intelligenz (KI) als technologische Methode, um Einblicke in Daten zu gewinnen und Vorhersagen zu treffen, wurde durch einen signifikanten Anstieg der produzierten Daten und durch größere, günstigere Rechenmethoden befeuert.
Anfangs konzentrierten sich die Werkzeuge darauf, Algorithmen zu entwickeln, die zu diesen Daten passen und sinnvolle Ergebnisse liefern. Über Reproduzierbarkeit und Systematisierung wurde nicht viel nachgedacht. Das Motto lautete: „Wirf etwas an die Wand und schau, ob es kleben bleibt.“ Die Zeiten ändern sich jedoch…
MLOps zur Rettung
Die unorganisierten Tage sind vorbei. Jetzt ist der Begriff der Operationalisierung des maschinellen Lernens (MLOps) in vollem Gange. MLOps fördert eine Kultur und Praxis, die darauf abzielt, die Entwicklung von maschinellen Lernsystemen und den Betrieb von maschinellen Lernsystemen zu vereinheitlichen. Durch AI & Machine Learning Operationalization (MLOps) Software können Unternehmen systematisch mit ihren KI-Bemühungen umgehen, indem sie ihre Modelle überwachen und warten. Mit dieser Technologie können sie Einblick in ihre maschinellen Lernprojekte gewinnen, ihre Modelle in Produktion bringen und verstehen, wie sie funktionieren.
MLOps hilft, die beiden größten Herausforderungen im Zusammenhang mit KI anzugehen: Daten und Rechenleistung. Tatsächlich, wenn wir die oben genannten Themen für das am besten bewertete MLOps-Produkt auf G2, die Databricks Lakehouse Platform, überprüfen, stellen wir fest, dass Daten ein oft erwähnter Aspekt der Technologie sind, wie unten zu sehen ist.
Wie hilft MLOps, die Kontrolle über Daten und Rechenleistung zu übernehmen?
Mit MLOps können Unternehmen eine enge und klare Verbindung zwischen ihren Daten und Modellen sicherstellen. Domino Data Lab hatte im Januar 2021 ihre Partnerschaft mit dem Datenmanagement-Unternehmen Snowflake angekündigt und sie erläuterten die Stärkung dieser Verbindung bei Rev 3 (Mai 2022) mit Domino 5.2. Ihre Beziehung ging im Juni 2022 mit Snowflakes Investition in Domino Data Lab einen Schritt weiter, um ML-Modelle und Cloud-Daten in einer Plattform zu vereinen. Mit Domino 5.2 können Benutzer autonomes Modellleistungsmonitoring in Snowflakes Data Cloud nutzen.
Stig Pedersen, Leiter des Data Science CoE bei Topdanmark, merkt an:
„Die Integration von Domino in die Snowflake Data Cloud hilft unserem Team, sich auf Datenwissenschaft zu konzentrieren, nicht auf komplizierte Datenregulierungsanforderungen, mit verbesserten Effizienzen, wie z.B. das schnelle Erkennen von Modellabweichungen, um die potenziellen geschäftlichen Auswirkungen suboptimaler Vorhersagen zu minimieren.“
Darüber hinaus kündigten sie ihre neue IntelliSize-Funktion an. Diese Funktion hilft Unternehmen, ihre Kosten und den betrieblichen Aufwand zu verwalten, indem sie die optimale Größe für eine Umgebung empfiehlt. Mit dieser Kostenoptimierungsfunktion können IT-Teams und Geschäftsleiter sicherstellen, dass genau die richtige Menge an Rechenleistung und Speicher für die jeweilige Aufgabe genutzt wird.
Diese Integrationen und Funktionen helfen, Daten und Datenwissenschaft zusammenzubringen, sodass sich die Technologie auf die Daten konzentrieren kann, damit sich die Datenwissenschaftler auf die Datenwissenschaft konzentrieren können.
Jetzt lesen: Daten-Trends 2022 → |
Was ist Datenwissenschaft überhaupt?
Neben den angekündigten Funktionsupdates bot Rev 3 einige großartige Einblicke von Branchenführern, wie Cassie Kozyrkov (Chief Decision Scientist bei Google), die darüber sprach, wie man Datenwissenschaft nützlich macht. Ihr Vortrag war voll von großartigen Illustrationen, Metaphern und Witzen, aber eine, die herausstach, war ihre Analogie zum Kochen.
Kochen ist keine Ein-Objekt-Aufgabe. Es hat mehrere Zutaten, Utensilien und Schritte, genau wie die Datenwissenschaft. Wenn wir vergleichen würden, wäre es:
- Daten=Zutaten
- Algorithmen=Geräte
- Modelle=Rezepte
- Vorhersagen=Gerichte
Wir dürfen keines dieser Schlüsselelemente vergessen oder vernachlässigen. Durch die Förderung von Zusammenarbeit und Innovation können Unternehmen die Kraft ihrer Daten und Talente freisetzen.
Mehr lesen: Wie man eine Datenwissenschafts- und Machine-Learning-Plattform auswählt, die für Ihr Unternehmen geeignet ist → |
Hört auf, sie Soft Skills zu nennen
Ein weiterer aufschlussreicher Schlüsselaspekt aus Kozyrkovs Vortrag war ihre Diskussion darüber, was passiert, wenn Werkzeuge einfacher werden. Da MLOps-Produkte wie Domino einfacher zu bedienen werden und Datenwissenschaftsaufgaben, wie die Datenvorbereitung, automatisiert werden, wo bleibt da der Mensch? Ein heißes Thema ist die Rolle und der Platz von Soft Skills oder jenen nicht-technischen Fähigkeiten, die so hilfreich und so menschlich sind.
Kozyrkov bemerkte:
„Nennen Sie sie nicht Soft Skills – nennen Sie sie die am schwersten zu automatisierenden.“
Das ist ein großartiger Punkt, um zu enden. Wenn wir über die Entwicklung dieser Plattformen nachdenken, wie Daten und Modelle näher zusammenrücken und wie das Rechnen zunehmend einfacher zu optimieren wird, müssen wir ständig darüber nachdenken:
Was ist der Platz des Menschen im Prozess?
Möchten Sie mehr über MLOps-Plattformen erfahren? Erkunden Sie MLOps-Plattformen Produkte.

Matthew Miller
Matthew Miller is a former research and data enthusiast with a knack for understanding and conveying market trends effectively. With experience in journalism, education, and AI, he has honed his skills in various industries. Currently a Senior Research Analyst at G2, Matthew focuses on AI, automation, and analytics, providing insights and conducting research for vendors in these fields. He has a strong background in linguistics, having worked as a Hebrew and Yiddish Translator and an Expert Hebrew Linguist, and has co-founded VAICE, a non-profit voice tech consultancy firm.