gesponsertSchneller von der Idee zum KI-Modell Die Workbench als schlanke, flexible Entwicklungsumgebung für KI

KI hat mit Generative AI nochmals einen enormen Popularitätsschub erfahren. Gleichzeitig steht die Technologie auch in der Kritik, was den Ressourcenverbrauch angeht: Stichwort Modelltraining in der Cloud. Für maximal bedarfsorientierte, nachhaltige KI-Entwicklung auf Enterprise-Niveau erweist sich die Developer Workbench als optimale Lösung.

Eine Developer Workbench, zum Beispiel SAS Viya Workbench als stabile Cloud-native Umgebung, ermöglicht eine schlanke Entwicklung verschiedenster Analytics-Anwendungen. Sie bringt die erforderliche Flexibilität und Skalierbarkeit mit, um mit Modellen zu experimentieren, sie anzupassen und zu implementieren.

Effizienz, Skalierbarkeit, Kollaboration und Qualität: Eine Workbench punktet da, wo Einzeltools Schwächen zeigen. Diese Art von Umgebung vereinfacht den Prozess für das Schreiben, Testen und Optimieren von Code für Machine-Learning-Modelle. Entwickler können nahtlos zusammenarbeiten, um Code, Analyseergebnisse und Best Practices zu teilen. Wichtig ist, dass die Umgebung für sehr große Datensätze und komplexe Rechenaufgaben geeignet ist und eine geringe Anlaufzeit benötigt. Das schafft ideale Voraussetzungen, um mit neuen Anwendungsszenarien zu experimentieren und Projekte zu skalieren. Für Ordnung sorgt eine automatische Versionierung der Modelle, die Reproduzierbarkeit und Transparenz sicherstellt.

Auf Sicht statt Vollgas: Mehr ist nicht immer besser

Bei Projekten mit sehr begrenztem Budget, wie beispielsweise oft im akademischen Bereich, ist es umso wichtiger, dass die Sockelkosten im Rahmen bleiben. Wenn man dann aber nach Bedarf mehr GPUs dazuschalten kann, ist dies ein großer Vorteil. Mit SAS Viya Workbench beispielsweise können Anwender Rechenressourcen kontrollieren und skalieren.

Sprachübergreifende Verständigung

Entwickler und Modellierer haben meistens eine bevorzugte Sprache, in der sie sich besonders sicher fühlen. Eine Developer Workbench, die mehrere Programmiersprachen unterstützt, erleichtert ihnen die Zusammenarbeit erheblich. Auch wenn das zu entwickelnde KI-Modell am Schluss beispielsweise in einer SAS Umgebung zum Einsatz kommen soll, muss man nicht SAS als Programmiersprache gelernt haben – das geht auch mit Python-Code und seiner sehr simplen Syntax.

Next Generation: Experimentierfeld für jede Projektgröße

Eine Workbench ist aber nicht nur für erfahrene Entwickler eine echte Erleichterung, sie senkt auch die Einstiegshürden für neue Talente. Dank der Integration von Open-Source-Technologien und der Unterstützung einer Multi-Language-Architektur können Entwickler – unabhängig von ihren Vorkenntnissen – sofort produktiv arbeiten.

Ein nicht zu unterschätzender Effizienzfaktor: Entwickler sind mit einer Workbench in der Lage, ohne Unterstützung der IT-Abteilung ihre eigene Umgebung aufzusetzen und exakt die Ressourcen an CPU- oder GPU-Leistung nutzen, die der jeweilige Projektumfang benötigt. Diese Selbstständigkeit erhöht Produktivität und Agilität, baut organisatorische Hürden ab – und macht den Kopf frei für mehr Innovation.

Höchststufe für Datensicherheit

Neben der Offenheit und Flexibilität ist der Zugang zu qualitativ hochwertigen Daten entscheidend und muss innerhalb der Umgebung gesteuert werden. Bei einer Developer Workbench ist das Datenmanagement zentral in das Tool integriert. Sensible Daten bleiben innerhalb der Firewall, was insbesondere wichtig für regulierte Branchen wie Banken, Versicherungen oder auch die öffentliche Verwaltung ist.

Generative AI als Beschleuniger

ChatGPT & Co. können zwar nicht den Entwickler ersetzen, aber beschleunigen dessen Arbeit signifikant. Bei SAS Viya Workbench kann er beispielsweise per Natural Language Prompt in einem einzigen Schritt SAS Code generieren. Das Ergebnis erfordert zwar noch manuelle Anpassungen, um wirklich aussagekräftige, vertrauenswürdige Ergebnisse zu erzielen, bildet aber eine gute Basis.

Praxisbeispiel: Optimierung der Kundenansprache im Einzelhandel

Um das Verhalten seiner Kunden besser zu verstehen, kann ein Einzelhändler in der Workbench zunächst Daten vorverarbeiten, Features erstellen und Pipelines bauen. Modellierer können dann mit verschiedenen Algorithmen wie XGBoost oder neuronalen Netzwerken experimentieren, um Kundenpräferenzen vorherzusagen. Die Time to Value beim Lösen von Aufgaben wie die Verbesserung der Kundenzufriedenheit lässt sich so signifikant verkürzen.

Turbo für Innovation

Workbenches gewinnen in der KI- und ML-Entwicklung zunehmend an Bedeutung – sofern sie die Flexibilität, Sicherheit und Performance bieten, die Developer und Data Scientists brauchen, um auch unter Zeit- und Wettbewerbsdruck schnell zu praktikablen Lösungen zu kommen. Ob für erfahrene Entwickler oder Neueinsteiger – eine Workbench kann die Bereitstellung von Analytics-Funktionen und KI-Modellen signifikant beschleunigen, die Zusammenarbeit fördern und die Time-to-Value reduzieren.

(ID:50224336)