Entwicklung Agile

Von DevOps zu DeepOps: Projektmanagement im KI-Zeitalter

Wir haben kürzlich die Notwendigkeit diskutiert, die Art und Weise zu ändern, in der Projekte mit künstlicher Intelligenz (KI) verwaltet werden, um sie erfolgreich und produktiv zu machen. In diesem Beitrag haben wir diskutiert, wie „agile“ Softwaremethoden nicht geeignet sind und tatsächlich die Entwicklung und Anwendung von KI-gesteuerten Projekten behindern können. Die Wahrheit ist, dass die agile Methodik einfach nicht mit dem Datenvolumen und der Datengeschwindigkeit umgehen kann, die für die Effektivität eines AI-Projekts erforderlich sind. Wir schlugen vor, dass der Ansatz „Analytics Solutions Unified Method for Data Mining“ (ASUM-DM) ein besserer Ansatz für die Verwaltung dieser Projekte ist.

Ein weiterer Ansatz, der sich aus DevOps entwickelt hat, um das Projektmanagement im Zeitalter der KI zu steuern, ist DeepOps. Das mag nach einer geheimen militärischen Operation klingen, ist aber in der Tat ein sehr geeignetes Projektmanagement-Toolkit für KI-gesteuerte Projekte. Sehen wir uns genauer an, was es ist und wie es sich auf Ihre Projekte auswirken kann.

DevOps: Der Ursprung von DeepOps

Traditionell bedeutete der DevOps-Ansatz für das Projektmanagement, Entwickler (d.h. „Dev“) und Betrieb (d.h. „Ops“) einer Organisation zusammenzubringen, um Probleme zu lösen. Die Idee ist, ein Team zu haben, das eine Schnittstelle zu einem Projekt herstellen kann, das komplementäre Fähigkeiten auf den Tisch bringt und sicherstellt, dass das Projekt erfolgreicher ist. Darüber hinaus schreibt DevOps einen standardisierten Ansatz für die Entwicklung und Bereitstellung von Funktionen vor, der die Entwicklung, das Testen und die Integration umfasst, einschließlich einer Methode zur Versionskontrolle. Mit diesem Ansatz kann Software in der Regel schneller bereitgestellt werden, weist eine geringere Ausfallrate auf, hat eine kürzere Vorlaufzeit für die Behebung von Fehlern und kann im Falle einer neuen Version, die einen Absturz verursacht, schneller wiederhergestellt werden.

Das Problem ist, dass sich DevOps-gesteuerte Projekte in der Regel auf die Bereitstellung von Softwarefeatures konzentrieren, während sich Data Science-Projekte auf die Erstellung datenbasierter Lernmodelle konzentrieren müssen. Dies ist ein sogenannter DeepOps-Prozess. Das heißt, Projekte, die datengesteuert sind, z. B. Projekte zur Prozessverbesserung, Optimierung von Marketing- und Vertriebszyklen usw. erfordern eine globalere Sicht, um erfolgreich zu sein. Data-Science-Projekte verwenden eine Fülle von Daten und müssen verschiedene Versionen von Modellen dieser Daten verwalten und vergleichen. Erfolg ist nicht die Bereitstellung einer Funktion oder eines Produkts, sondern ein Datenmodell, das nachweislich immer wieder funktionieren kann. Und hier zeichnen sich DeepOps und KI-basierte Ansätze für das Projektmanagement aus.

DeepOps: Ein Ansatz für das KI-Zeitalter

DeepOps ist ideal für die heutige Hochgeschwindigkeitswelt, da es einen anderen Ansatz für das Projektmanagement verwendet, der die Verwendung von KI zum Modellieren, Testen und Bereitstellen von Projektmeilensteinen mit einer viel schnelleren Geschwindigkeit ermöglicht. In diesem Fall kommt das „deep“ von „Deep Learning“, einem Zweig der KI. Um nicht nur den Code zu verwalten, der das Modell ausführt, sondern auch die verschiedenen Versionen, die erstellt wurden, um ein geeignetes Modell zu erhalten, gibt es spezielle Tools wie DVC. Zusätzlich müssen die Akzeptanzkriterien und ein geeigneter Schwellenwert zum Testen eines Modells als erfolgreich im DeepOps-Prozess definiert und iterativ angepasst werden, während der Zyklus in Betrieb ist. Ein Beispiel für diese Kriterien kann die Genauigkeit sein, und ein Schwellenwert kann als Minimum von 99 Prozent Genauigkeit im Testdatensatz definiert werden.

Voraussetzung für diesen Ansatz ist jedoch, dass die zur Durchführung der Tests verwendeten Daten als qualitativ hochwertig eingestuft werden. Das heißt, in DeepOps sind die Tests umso genauer, je mehr Daten Sie haben und je sauberer sie sind. Dies ist nur mit qualitativ hochwertigen Daten möglich, die sich jedoch mit zunehmender Projektreife ändern und größere Mengen qualitativ hochwertiger Daten generieren. Damit sich maschinelles Lernen auf die Geschwindigkeit auswirkt, mit der ein Projekt Meilensteine erreicht, muss das System ständig lernen.

Letztendlich führt das Endergebnis dazu, dass KI-gesteuerte Softwareprodukte schneller auf den Markt gebracht, aktualisiert und neue Funktionen schneller eingeführt werden, ohne die Stabilität zu beeinträchtigen. Kontaktieren Sie uns, wenn Sie Hilfe bei der Anwendung eines datenwissenschaftlichen Ansatzes auf Ihre geschäftlichen Herausforderungen suchen.

Mit besten Grüßen,
Florian Horn

Ihre Daten werden gemäß unserer Datenschutzerklärung erhoben und verarbeitet.
0 Kommentare

Dein Kommentar

An Diskussion beteiligen?
Hinterlasse uns Deinen Kommentar!

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.