Data Science im Unternehmensumfeld – Hürden überwinden durch Automatisierung und zentrale Modellverwaltung

Der Einsatz analytischer Modelle in Geschäftsprozessen ist mittlerweile branchenübergreifender Usus. Oft liegt dabei das Hauptaugenmerk auf der ersten Phase des analytischen Lebenszyklus: auf der Modellentwicklung. Tatsächlich sind es unserer Erfahrung nach aber oft die nachfolgenden Phasen, an denen die produktive Nutzung von Analytik im Unternehmen scheitern kann. In unserem Beitrag zeigen wir beispielhaft, wie ein zentrales Model Management dabei helfen kann, das analytische Ökosystem robuster zu gestalten. Besondere Betonung liegt dabei auf der Integration in Automatisierungsprozesse (GitOps), sowie auf der Nutzung von Containertechnologie für das Deployment (Kubernetes).

Vorkenntnisse

• Vorwissen aus den Bereichen Data Science und/oder DevOps ist für diesen Beitrag hilfreich
• Unser Fokus liegt auf der Modellverwaltung, nicht auf der Modellentwicklung
• Ein grundlegendes Verständnis für die Funktionsweise von CI/CD-Prozessen (Automatisierung) ist empfehlenswert, aber nicht unbedingt erforderlich

Lernziele

• Wir wollen ein besseres Verständnis für einen oft wenig beachteten Aspekt bei der produktiven Nutzung von analytischen Modellen in Unternehmen schaffen
• Neben der Modellentwicklung ist es ebenso wichtig, produktive Modelle kontinuierlich zu überwachen und ein Frühwarnsystem zum Erkennen einer degradierenden Modellqualität zu etablieren