Machine Learning in Echtzeit für das Lakehouse Databricks stellt „Databricks Model Serving“ vor

Anbieter zum Thema

IBM Deutschland GmbH

Disy Informationssysteme GmbH

Sinequa

Databricks GmbH

Der Lakehouse-Spezialist Databricks führt vereinfachtes maschinelles Lernen (ML) in Echtzeit ein. Mit „Databricks Model Serving“ erhalten Anwender vollständig verwaltete ML-Funktionen, die nativ in die Lakehouse-Plattform von Databricks integriert sind.

Mit der „Model Serving“-Einführung soll der sonst nötige komplexe Aufbau und die Wartung einer maßgeschneiderten Infrastruktur für intelligente Anwendungen entfallen. Stattdessen soll der einheitliche, datenzentrierte ML-Ansatz für hohe Verfügbarkeit und niedrige Latenzen sorgen sowie automatische Konfiguration und Wartung der Infrastruktur ermöglichen. Dank tiefgreifender Integration in die Lakehouse-Plattform sind zudem automatische Datenabgleiche, Governance und Überwachung über den gesamten Lebenszyklus von Daten und Modellen hinweg abgedeckt. Databricks Model Serving ist ab sofort auf AWS und Azure verfügbar.

„Databricks Model Serving beschleunigt den Weg von Data-Science-Teams in die Produktion, indem es Implementierungen vereinfacht, den Overhead reduziert und eine vollständig integrierte Erfahrung direkt im Databricks Lakehouse bietet“, erklärt Patrick Wendell, Mitgründer und Vice President of Engineering von Databricks. Die Erweiterung werde es den Kunden außerdem ermöglichen, mit ihren Lakehouse-Daten mehr Werte zu schaffen und die Betriebskosten zu senken.

Schlank und flexibel

Databricks Model Serving bietet einen vollständig verwalteten, hochverfügbaren Service mit geringer Latenz für die vereinfachte und beschleunigte Bereitstellung von ML-Modellen. Kunden können ihren gesamten ML-Prozess von Datenverwaltung über Feature-Engineering bis hin zu Training, Bereitstellung und Überwachung auf einer zentralen Plattform abwickeln, verspricht Databricks. Die konsistente Sicht über den gesamten Daten- und ML-Lebenszyklus minimiere Fehlerquellen und beschleunige die Fehlersuche, ohne dazu unterschiedliche Dienste zusammenführen zu müssen.

Der Dienst skaliert automatisch nach oben oder unten, um einer veränderten Nachfrage umgehend gerecht zu werden. Kunden bezahlen dadurch ausschließlich für die tatsächlich genutzte Rechenleistung. Integrierte Integrationen in den Unity Catalog, den Feature Store und MLflow von Databricks stellen sicher, dass Daten und Modelle selbstständig erfasst und nachverfolgt werden, ohne dazu zusätzliche Tools zu benötigen.

Weitere Informationen zur Umsetzung von Machine Learning im Produktionsmaßstab erhalten Interessenten im Rahmen des „ML Virtual Event“ am 14. März. Hier werden Databricks-Produktexperten und Kunden Einblicke in Hintergründe und Erfahrungen geben.

(ID:49228880)