Alt Text an Bild

MLOps-Workshop für ein Logistikunternehmen

Problem

In einer sich stetig entwickelnden digitalen Landschaft sind datengetriebene Lösungen von entscheidender Bedeutung für Unternehmen, um wettbewerbsfähig zu bleiben. Eine große deutsche Transportfirma erkannte die Notwendigkeit, ihr Potenzial im Bereich Datenanalyse und Künstlicher Intelligenz auszuschöpfen. Sie hatten bereits mehrere ML-Anwendungsfälle in der Prototypenphase, jedoch fehlten ihnen die richtigen Werkzeuge und Prozesse, um diese erfolgreich in der Produktion einzusetzen. Um diese Herausforderung zu bewältigen, haben wir einen MLOps Workshop veranstaltet.

Vorgehensweise

Ausarbeitung und interne Strategiepräsentation

Unser MLOps-Workshop hatte das Ziel, ein gemeinsames Verständnis von MLOps zu schaffen und die zukünftige Entwicklung von Anwendungsfällen zu unterstützen. Wir haben uns intensiv mit den Herausforderungen von Machine Learning in der Produktion auseinandergesetzt und Lösungsansätze erarbeitet. 

Im Workshop haben wir den Teilnehmern ein umfassendes Framework vorgestellt, das sowohl Werkzeuge als auch Prozesse zur Standardisierung von Machine Learning in der Produktion umfasst.

Zu Beginn haben wir eine klare Definition von MLOps präsentiert und erläutert, wie es sich von DevOps und DataOps unterscheidet. Wir haben die verschiedenen Rollen und Aufgaben diskutiert und gezeigt, wie Teams in einer großen Organisation strukturiert sein sollten, um effektiv zusammenzuarbeiten.

Evaluation geeigneter Tools

Ein wichtiger Schwerpunkt lag auf der Erstellung einer Zielarchitektur, die den gesamten Lebenszyklus des Machine Learning abdeckt. Wir haben die erforderlichen Tools für die Implementierung beschrieben und gezeigt, wie man schrittweise Verbesserungen erzielen kann, um den angestrebten Zustand zu erreichen. Dabei haben wir betriebswirtschaftliche Aspekte hervorgehoben und betont, wie wichtig es ist, frühzeitig zu beginnen und einfache Lösungen einzuführen.

Vorstellung ML Canvas

Des Weiteren haben wir den Teilnehmern das ML Canvas als Framework vorgestellt, um ihre Machine-Learning-Projekte zu strukturieren. Wir sind in jedem Schritt des ML-Lebenszyklus eingetaucht, angefangen bei der Datenexploration bis hin zur Modellüberwachung. Wir haben bewährte Methoden und Techniken vermittelt, um den gesamten Prozess effizient zu gestalten und qualitativ hochwertige Ergebnisse zu erzielen.

Ergebnis

Nach dem Abschluss des MLOps-Workshops waren die Teilnehmer bestens gerüstet, um Machine Learning erfolgreich in der Produktion einzusetzen. Sie verfügten über ein umfassendes Verständnis der Herausforderungen und Lösungsansätze von MLOps und waren mit einem Framework ausgestattet, um ML-Anwendungsfälle standardisiert umzusetzen.

Die Transportfirma konnte nun ihre ML-Anwendungsfälle auf eine solide Grundlage stellen und die Vorteile von datengetriebenen Entscheidungen voll ausschöpfen. Durch die Implementierung von MLOps konnten sie die Effizienz steigern, Fehler reduzieren und die Skalierbarkeit ihrer ML-Anwendungen verbessern. Sie konnten ihre Modelle schneller in die Produktion überführen und die Time-to-Market für neue Funktionen verkürzen. Dadurch konnten sie Wettbewerbsvorteile erzielen und ihre Kunden mit innovativen Lösungen begeistern.

Darüber hinaus führte der MLOps-Workshop zu einer besseren Zusammenarbeit innerhalb des Unternehmens. Durch das klare Verständnis der Rollen und Aufgaben in Bezug auf ML in der Produktion konnten Teams effektiver zusammenarbeiten und die Kommunikation verbessern. Dies führte zu einer reibungsloseren Integration von ML-Technologien in bestehende Geschäftsprozesse und ermöglichte eine nahtlose Zusammenarbeit zwischen Data Scientists, Entwicklern und dem Betriebsteam.

Im Rahmen des Workshops haben wir auch auf die langfristige Perspektive der MLOps-Implementierung hingewiesen. Wir haben die Bedeutung kontinuierlicher Verbesserungen betont und Empfehlungen gegeben, wie das Unternehmen die entwickelte Lösung weiter optimieren kann. Dies beinhaltet die regelmäßige Überprüfung der Prozesse, die Evaluierung neuer Tools und Technologien sowie die Anpassung der Organisationsstruktur, um mit den sich wandelnden Anforderungen des ML-Lebenszyklus Schritt zu halten.

Unsere Expert:Innen

Verena Gruber

Verena Gruber

Head of Transportation & Logistic

LinkedIn

Steve Nitsch

Steve Nitsch

Principal Key Account Manager

LinkedIn

Niels Thomson

Niels Thomson

Chief Revenue Officer

LinkedIn

Unverbindlich beraten lassen

Sie möchten wissen, welche Möglichkeiten es mit KI und Data Science in Ihrem Unternehmen gibt? Sie wollen mehr über unsere Use Cases und Technik erfahren? Sprechen Sie mit unseren Experten!

Kontakt
12 Jahre Erfahrung aus über 2.500 Daten- & Ki-Projekten

Weitere Referenzen

Energie AG, Werkstatt 8 GmbH Sustainability App
  • Marketing & Sales
Nachhaltigkeit mit Agentic AI

Die Energie-AG – ein österreichischer Strom- und Energieanbieter - möchte das Thema Nachhaltigkeit zugänglicher für seine Kunden und die allgemeine…

Data Sharing in der Luftfahrtindustrie, eine Ansammlung von Heißluftballonen in einer weiten Voralpenlandschaft
  • Production
Data Sharing in der Luftfahrtindustrie

In der Vergangenheit konfrontierten uns unsere Kunden mit einer Herausforderung, die vielen Unternehmen bekannt ist: Trotz einer Fülle von Daten, die…

Datenvisualisierung für ein Telekommunikationsunternehmen, Alexander Graham Bell, telefonierend, hinter seinem Schreibtisch futuristische Objekte in orange
  • Finance & Controlling
Financial Forecasting auf Basis von Zeitreihenanalysen für einen Energiekonzern

In der Vergangenheit stand ein Kunde vor der herausfordernden Aufgabe, die Prognosegenauigkeit seiner betriebswirtschaftlichen Unternehmensfunktionen…

Grundlagentraining in Datenvisualisierung, eine Gruppe von Malerinnen eine Studie von Blumen anfertigend
  • Marketing & Sales
Grundlagentraining in Datenvisualisierung für einen Pharmakonzern

In einer immer stärker digitalisierten Welt sind Unternehmen vermehrt auf schnelle, effiziente und klare Datenanalysen angewiesen. Ein Kunde kam mit…

X

Cookie Freigabe

Diese Website verwendet notwendige Cookies zur Sicherstellung des Betriebs der Website. Eine Analyse des Nutzerverhaltens durch Dritte findet nicht statt. Detaillierte Informationen über den Einsatz von Cookies finden Sie in unseren Datenschutzerklärung.