Thought Leadership
Wenn eine Technologie, ein System oder eine Lösung von der Test- oder Pilotphase erfolgreich in die Produktionsumgebung überführt werden soll, kommt es häufig zu Schwierigkeiten bei Skalierung und Leistung oder auch Datenqualität, Verfügbarkeit und Wartung.
Die Entwicklung eines hochmodernen KI-Modells, das ein Data Scientist lokal auf seiner Umgebung entwickelt hat, ist häufig nicht mit der Operationalisierungsplattform kompatibel und kann deshalb nicht direkt auf dem Produktivsystem eingesetzt werden. In vielen Fällen kommen erfolgreich entwickelte Modelle daher nie praktisch zum Einsatz. In der IT und Industrie bedeutet diese Lücke zwischen Pilotprojekt und Produktion (auch „Pilot-to-Production Gap“ oder „Pilot-to-Deployment Gap“ genannt) neben Ineffizienz und Unzufriedenheit der Data Science Teams auch einen enormen Zeit- und Arbeitsverlust. Letztere wiederum resultieren in finanziellen Einbußen für Unternehmen.
BYOM als Ansatz basiert auf der Idee, dass Data Scientists ihre gewohnten Tools und Sprachen in ihrer gewählten Entwicklungsumgebung und Operationalisierungsumgebung nutzen können und bietet dadurch eine wesentliche Erweiterung ihrer Möglichkeiten in der Modellentwicklung und -bereitstellung. So können Data Scientists Modelle in der Sprache ihrer Wahl (etwa Python, R, SAS und weitere) entwickeln und trainieren. Dieser Code inklusive des analytischen Modells wird mithilfe eines BYOM-Tools in sogenannte Austauschformate (PMML, ONNX) überführt. Diese Formate können im Anschluss auf große Datenmengen in Produktion gebracht werden. Inkludiert in das Austauschformat ist dabei nicht nur das analytische Modell, sondern auch alle Datenvorbereitungsschritte. Auf diese Weise sparen sich User langwierige Überarbeitungen und können die Modelle sofort praktisch nutzen.
So konnte zum Beispiel ein Teradata-Kunde aus dem Entertainment-Bereich mithilfe von Partner-Tools neue Modelle erstellen und diese durch die BYOM-Funktion ins eigene System importiert. Durch die so erreichten Optimierungen konnte das Unternehmen die Kaufrate um 30 Prozent steigern und erzeugte Gewinne von 60 Millionen Dollar. Wie ist das möglich?
BYOM ermöglicht Anpassungsfähigkeit und Flexibilität
Ein großer Vorteil von Analyseplattformen mit BYOM-Fähigkeiten liegt in der Flexibilität, die BYOM den Nutzern und Data Scientists bietet. Letztere können so in jeder Umgebung die Tools und Sprachen einsetzen, die sie gewohnt sind. Der Einsatz einer Analyseplattform mit BYOM-Fähigkeiten ermöglicht Unternehmen folglich, die Fähigkeiten seiner Data Scientists in vollem Maße zu nutzen.
Dank der Anpassungsfähigkeit durch BYOM können Data Scientists in Unternehmen ihre eigenen Modelle trainieren und harmonisieren. Neben der Architektur und Hyperparametern lassen sich sämtliche Aspekte eines Modells optimieren und auf die individuellen Anforderungen von Unternehmen zuschneiden. Dies erlaubt mehr Agilität und eine höhere Kontrolle über den Trainingsprozess und die Modellarchitektur, was wiederum dazu führt, dass sich neue Ansätze schneller iterieren, implementieren und testen lassen. BYOM ermöglicht es Data Scientists folglich, Modelle zu entwickeln, die genau auf die spezifischen Anforderungen und Daten des Unternehmens zugeschnitten sind. Dies reduziert das Risiko, dass vorgefertigte Modelle möglicherweise nicht alle relevanten Aspekte des Geschäfts abbilden, was zu ineffektiven oder unzureichenden Lösungen führen könnte.
Ein positiver Nebeneffekt ist, dass BYOM gefragte Experten wie Data Scientists als „Verkaufsargument“ in der Stellenbeschreibung anziehen oder an ein Unternehmen binden kann, da sie mit genau den Tools und Sprachen arbeiten können, die sie gewohnt sind und bestens kennen und so zusätzlich zeitaufwendiges Neuerlernen anderer Programmiersprachen umgangen werden kann. Angesichts des globalen IT-Fachkräftemangels ist BYOM eine Investition, die sich daher in jedem Fall auszahlt.
BYOM bietet Innovationspotenzial
Ein weiterer Vorteil von BYOM liegt in seinem Innovationspotenzial: Unabhängig von externen Anbietern lassen sich neue Ansätze ohne lange Entwicklungs- oder Implementierungszyklen testen. Dank BYOM lassen sich im Unternehmen vorhandene Fachkenntnisse intern besser nutzen, denn die Methode hilft nicht nur bei KI, sondern bei allen Arten von Analytics: von einfachen statistischen Verfahren über Advanced Analytics bis hin zu KI. Zum Beispiel lassen sich eigens entwickelte und individuell für ein Unternehmen trainierte KI-Modelle durch die einfache Operationalisierung leicht kontinuierlich mit neuesten Erkenntnissen, Daten und Technologien sowie Feedback aus der Praxis weiterentwickeln. Auf diese Weise entstehen maßgeschneiderte KI-Lösungen, die differenziert und damit besser auf spezifische Anforderungen von Nutzern und Unternehmen zugeschnitten sind. Diese Agilität und Innovationsfähigkeit erlaubt das Experimentieren mit neuartigen Ideen, das Reagieren mit maßgeschneiderten Lösungen sowie eine schnellere Anpassung an sich dauernd ändernde Marktanforderungen. Auf diese Weise kann BYOM dazu beitragen, Innovationen zu fördern und wesentliche Wettbewerbsvorteile zu schaffen.
BYOM verkleinert Pilot-to-Production-Gap
Wenn Data Scientists Modelle entwickeln, ist das Ziel nicht nur, eine interessante Lösung zu finden, sondern auch sicherzustellen, dass diese Lösung tatsächlich in den Geschäftsbetrieb integriert und genutzt wird, um einen echten Mehrwert zu schaffen. Ein weiterer, für Unternehmen wesentlicher Vorteil von Analyseplattformen mit BYOM-Fähigkeiten liegt daher in der Risikominimierung bei der Erstellung und Operationalisierung von Modellen. Da Data Scientists durch BYOM auch nach dem Deployment in der gewohnten Umgebung arbeiten, behalten sie die volle Kontrolle über den gesamten Entwicklungsprozess ihrer Modelle, einschließlich Datenverarbeitung, Training und Validierung. Dies wiederum erlaubt, Fehler frühzeitig zu beheben und die Qualität und Genauigkeit der Modelle zu optimieren. Langfristig kann dies zu Einsparungen bei den Entwicklungskosten führen. Dank BYOM können Data Scientists ihre KI-Modelle kontinuierlich überwachen, anpassen und sicherstellen, dass sie langfristig Mehrwert generieren. Dies schließt beispielsweise die Überwachung der Modellleistung in der Produktion, das Feedback von Endbenutzern oder die Aktualisierung der Modelle basierend auf neuen Daten ein.
Eines der Hauptziele von BYOM ist es, die Lücke zwischen der Entwicklung von Modellen in der Pilotphase und ihrer erfolgreichen Bereitstellung in der Produktionsumgebung zu verringern. Indem Data Scientists ihre eigenen Modelle entwickeln und integrieren, können sie sicherstellen, dass die Modelle reibungslos in den Betrieb überführt werden und auf diese Weise einen echten Mehrwert für das Unternehmen schaffen. Derart maßgeschneiderte Modelle haben außerdem eine höhere Wahrscheinlichkeit, in der Produktionsumgebung erfolgreich zu sein – und realisieren so die Wertpotenziale von Analytics und KI.
Fazit
BYOM erlaubt es Data Scientists, in ihrer gewohnten Umgebung und in gewohnten Sprachen Modelle zu entwickeln und ermöglicht so Unternehmen, die Fähigkeiten des Data Scientist-Teams in vollem Maße zu nutzen. Dies führt zu erhöhter Effizienz und Produktivität und gleichzeitig auch zu einer Erhöhung der Mitarbeiterzufriedenheit, da die Ergebnisse der Data Scientists tatsächlich zum Einsatz kommen und die Pilot-to-Production-Gap geschlossen wird.
(pd/Teradata)
