Studie des BARC DataOps und MLOps als Machine-Learning-Problemlöser

Von Martin Hensel

Anbieter zum Thema

Das Business Application Research Center (BARC) hat eine internationale Studie rund um die Wahrnehmung von DataOps und MLOps durchgeführt. Sie zeigt damit adressierte Problemstellungen und die Auswirkungen dieser Konzepte in Unternehmen auf.

Die BARC-Studie zeigt Vorteile von DataOps und MLOps auf.
Die BARC-Studie zeigt Vorteile von DataOps und MLOps auf.
(Bild: BARC )

Die Studie mit dem Titel „Driving Innovation with AI. Getting Ahead with DataOps and MLOps“ entstand in Kooperation mit ONE LOGIC, Domino Data Lab und DataRobot. Für sie wurden 248 Unternehmen unterschiedlicher Größe und Branchen befragt.

Ergebnisse im Überblick

Wie die BARC-Studie zeigt, werden DataOps und MLOps weithin als Konzepte zur Bewältigung gängiger Probleme und Herausforderungen im Bereich Machine Learning wahrgenommen. Allerdings setzt sie nur die Hälfte aller Unternehmen ein, die bereits maschinelles Lernen im Einsatz haben. Fast alle (97 Prozent) Firmen, die bereits DataOps und MLOps nutzen, konnten dadurch erhebliche Verbesserungen erzielen. Dazu zählt etwa die einfachere Bewältigung von Herausforderungen und Komplexität sowie die schnellere Bereitstellung von Modellen.

Bei der Umsetzung von Machine Learning dominiert Open Source. Kommerzielle Tools und Plattformen könnten laut dem BARC für weniger Komplexität sorgen sowie die Bereitstellung von Ergebnissen vereinfachen und beschleunigen. Bei der Umsetzung von DataOps und MLOps wurden zudem zahlreiche positive Nebeneffekte verzeichnet, beispielsweise bei der Rekrutierung von Fachkräften oder dem Einsatz neuer Tools, Plattformen und Infrastrukturen. Zentrale Herausforderungen wie etwa Datensilos oder die Förderung der allgemeinen Akzeptanz von maschinellem Lernen bleiben aber weiter bestehen.

Prozesse agiler und effizienter gestalten

„DataOps richtet sich auf die Realisierung eines überschaubaren, wartbaren und automatisierten Flusses qualitätsgesicherter Daten zu Datenprodukten“, erklärt Alexander Rode, Data & Analytics Analyst des BARC und Mitautor der Studie. MLOps adressiere die zusätzlichen speziellen Anforderungen bezüglich Entwicklung, Bereitstellung und Pflege von Machine-Learning-Modellen.

„Das Ziel beider Konzepte in diesem Kontext ist es, Transparenz über alle Abhängigkeiten zwischen den beteiligten Systemen entlang einer End-to-End-Datenpipeline zu schaffen und die Zusammenarbeit zwischen Expert:innen zu fördern, indem der Prozess der Entwicklung, Aktualisierung und Pflege von ML-Modellen agiler und effizienter gestaltet wird“, so Rode weiter.

(ID:48418366)

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung