Überblick
Im Deployment erfolgt die Überführung eines funktionsfähigen Modells von der Testumgebung hin zur Produktionsumgebung.
Was ist zu tun?
Dafür muss das KI-Modell und zugehörige Infrastrukturen in die IT-Infrastruktur des eigenen Unternehmens integriert werden, bzw. müssen notwendige Infrastrukturen überhaupt erst aufgebaut werden. Um einen optimalen Betrieb des Modells zu gewährleisten, werden Sie zusätzlich über die Modellüberwachung und erneute Trainingsbedarfe des Modells vorgestellt.
Was ist das Ergebnis?
Sind diese Schritte umgesetzt, wurde ein funktionsfähiges KI-Modell in den operativen Betrieb eingegliedert und kann durch entsprechende Systeme während des Betriebs überwacht werden.
Quellen
- CRISP DM: Das Data Mining Modell einfach erklärt
Kilian (Juli 2020) - In 5 Schritten zu Ihrem KI-Modell
Max-Ludwig Stadler (Oktober 2023)
Modell in IT-Infrastruktur integrieren
Hier müssen die anfangs an die Datenpipeline festgelegten Anforderungen umgesetzt werden. In einer Parallel-, bzw. Kontrollumgebung kann der Betrieb des Modells erneut getestet werden, bevor die finale operative Einbindung erfolgt.
Es empfiehlt sich, den Integrationsprozess zu dokumentieren, um später Fehler nachvollziehen zu können und um den Prozess und damit gewonnene Erkenntnisse für spätere Projekte verfügbar zu machen.
Quellen
- CRISP DM: Das Data Mining Modell einfach erklärt
Kilian (Juli 2020)
Modell überwachen
Die Umgebungsbedingungen, die auf KI-Modelle wirken, können sich im Verlauf der Zeit verändern. Daher kann sich auch die Leistung von Modellen verändern. Damit die Leistung eines KI-Modells kontinuierlich überwacht werden kann, empfiehlt sich die Einführung eines zentralen Überwachungssystems, auf das verschiedene relevante Personen Zugriff erhalten. Dadurch können potentielle Probleme frühzeitig erkannt und entsprechende Maßnahmen eingeleitet werden.
Quellen
- CRISP DM: Das Data Mining Modell einfach erklärt
Kilian (Juli 2020) - Robuste KI-Anwendungen dank Modellvalidierung
Heise Online (o.J.) - ML-Model Performance Monitoring
New Relic (o.J.)
Modell erneut trainieren
Im laufenden Betrieb entstehen neue Daten, die erneut zum Training des Modells verwendet werden können. So können Modelle weiter optimiert werden und genauere Ergebnisse liefern. Für echtzeitfähige KI-Modelle bietet sich oft ein kontinuierlicher Lernprozess an, damit das Modell im laufenden Betrieb verbessert wird. Sollten KI-Modelle keine Echtzeitfähigkeit bieten, ist ein zyklisches Modelltraining angebracht. Dabei wird das Modell nur in festgelegten Zyklen erneut trainiert.
Es muss bei den neu für das Training verwendete Daten in der gleichen Art und Weise vorverarbeitet werden, wie der erste Trainings- und Validierungsdatensatz. So kann sichergestellt werden, dass Modelle mit Daten in hoher Qualität trainiert werden.
Quellen
- CRISP DM: Das Data Mining Modell einfach erklärt
Kilian (Juli 2020) - In 5 Schritten zu Ihrem KI-Modell
Max-Ludwig Stadler (Oktober 2023)