Machine Learning MLOps – mehr als nur ein Hype?

Von Christoph Kurth

Maschinelles Lernen (ML) erfreut sich in der Versicherungsbranche immer größerer Beliebtheit. Hinsichtlich Entwicklung und Betrieb von ML-Lösungen rücken jetzt auch MLOps-Konzepte in den Fokus.

Anbieter zum Thema

Die Pflege von ML-Lösungen ist oftmals mit spezifischen Herausforderungen verbunden. Laut Fadata kann MLOps hier die nötige Unterstützung für die Verwaltung des gesamten ML-Lebenbszyklus bieten.
Die Pflege von ML-Lösungen ist oftmals mit spezifischen Herausforderungen verbunden. Laut Fadata kann MLOps hier die nötige Unterstützung für die Verwaltung des gesamten ML-Lebenbszyklus bieten.
(Bild: Fadata)

Fadata, Anbieter von Softwarelösungen für Versicherungsunternehmen, ist der Ansicht, dass MLOps jedoch kein Hype-Thema ist, sondern als wichtiger Treiber für den ML-Einsatz angesehen werden kann. MLOps-Verfahren sollen Unternehmen eine ganzheitliche Prozessunterstützung bieten. Zu den vier wesentlichen Hauptmerkmalen zählen:

1. Vereinfachung und Beschleunigung der Bereitstellung

Da für die Entwicklung von ML-Lösungen verschiedene Bibliotheken, Frameworks, Programmiersprachen und Tools verwendet werden können, kann dies zu Schwierigkeiten beim Bereitstellungsprozess führen. MLOps soll hier das Deployment von Modellen aus verschiedenen Frameworks standardisieren und vereinfachen.

2. Effiziente Überwachung

Herkömmliche Software-Monitoring-Tools sind nicht für ML-Projekte ausgelegt. MLOps soll allerdings Monitoring-Möglichkeiten bieten, die speziell für Maschinelles Lernen entwickelt wurden. Dazu zählen beispielsweise die Bereitstellung modellspezifischer Metriken, die Erkennung von Datendrifts, die Evaluierung der Modellperformance oder die Ressourcenverwaltung.

3. Verwaltung des ML-Lebenszyklus

Die Erstellung einer performanten ML-Lösung geht weit über die reine Entwicklung hinaus und umfasst zum Beispiel auch die Wartung der Modelle mit laufenden Aktualisierungen und einer kontinuierlichen Verbesserung. Diese Änderungen dürfen dabei nicht zu einer Unterbrechung des Geschäftsbetriebs führen. Mit MLOps soll dies zuverlässig möglich sein.

4. Garantierte Einhaltung von Vorschriften und Compliance-Vorgaben

MLOps-Verfahren bieten Rückverfolgbarkeit, Zugriffskontrolle und Audit-Trails zur Qualitätssicherung. Nutzer sollen so Risiken minimieren, unerwünschte Änderungen unterbinden und die Einhaltung von Vorschriften durchsetzen.

Dr. Eike Schmidt, Chief Technology & Product Officer von Fadata, sagt: „Aufgrund ihrer zahlreichen Vorteile – von der Prozessoptimierung und -automatisierung bis zur Erhöhung der Mitarbeiterproduktivität – werden ML-Modelle auch im Versicherungssektor bald zum Unternehmensalltag gehören. Im Hinblick auf die ML-Komplexität spricht dabei viel für die Nutzung von MLOps-Verfahren.“

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

(ID:48137268)