Trends im Machine Learning

Prognosen sind immer schwierig, besonders wenn sie die Zukunft betreffen. Daniel Riek und Sanjay Arora von RedHat haben es trotzdem versucht. Ihr Spezialgebiet sind Machine Learning und KIOps. Sie blicken in die kommenden Monate und zeigen für TREND REPORT exemplarisch einige wichtige Entwicklungen und begründen ihre Ansicht.

Das Ende der integrierten KI-Plattformen

Zusätzlich zu Kubernetes werden Kunden zu einem Best-of-Breed-Ansatz für ihre Data Science- und KI-Plattformen und -Workflows übergehen. Die Standardisierung wird durch Projekte wie Kubeflow vorangetrieben – und mit dem Red Hat Downstream Open Data Hub wird Kubernetes zur zentralen KI-Plattform. Dieser Umstand wird die Differenzierung bestehender Angebote erschweren, bei denen es sich um Thin User Interfaces und Workflow-Layer auf denselben Open-Source-Stacks handelt, und wird den Fokus auf differenzierte spezialisierte Komponenten verlagern.

Small Data vs. Big Data ML

Die meisten bestehenden Branchenprobleme betreffen nach wie vor Small-Data. Die größten Hürden sind die Verfügbarkeit von bereinigten Daten, die Definition von Problemen und Modellen mit umsetzbaren Lösungen, die Bereitstellung von Modellen für die Produktion und die Überwachung der Modellperformance – und das alles unter Einhaltung von Vorschriften und Unternehmensrichtlinien und ohne dass die Bereitstellung eines Modells durch mehrere Teams erfolgen muss. Die Daten- und Modellversionierung wird für die meisten Unternehmen weiterhin eine besondere Herausforderung darstellen.

Während Deep-Learning-Modelle zu Beginn große Datenmengen für die Konzeption und die Feinjustierung von Open-Source-Modellen erforderten, sind bei viel kleineren Modellen die Datensätze sowohl für Bild- als auch für Sprachaufgaben realisierbar und in verschiedenen Bibliotheken (wie fasti.ai und spacy) verfügbar. Dies liefert mehr Datensätze für die Analyse – mit der Einschränkung von Zeitverbrauch und Interpretierbarkeit.

Nicht im Deep Learning angesiedelte Techniken wie lineare Modelle, baumbasierte Modelle, Clustering, Zeitreihenanalysen und spezialisiertere Analysewerkzeuge wie die Warteschlangentheorie oder diskrete Optimierung werden in den meisten Anwendungsfällen genutzt werden.
Vertrauensfragen und das Management werden im Mittelpunkt von realen KI-Anwendungen stehen. Wahrscheinlich wird es vermehrt Versuche geben, KI zu regulieren und mehr Technologien für das Management einzusetzen, um das Vertrauen zu fördern.
Spezialisierte Hardware wird auf dem Markt stark wachsen, um die Anforderungen an Energieeffizienz und Leistung zu erfüllen, insbesondere in Inferenz-Anwendungsfällen.

AI Ops / AI Dev (Sec) Ops werden zunehmend Bedeutung erlangen

Die KI im Bereich IT-Operations und Dev(Sec)Ops gewinnt zunehmend an Zugkraft und wird wahrscheinlich für “Einhorn”-Investitionen interessant werden. Etablierte Plattformanbieter investieren stark in diesen Bereich und werden sich um eine autonome Hybrid Cloud bemühen. Kubernetes wird hier im Fokus stehen, da damit die erforderlichen Standardisierungs- und Automatisierungsmöglichkeiten vorhanden sind, insbesondere in Kombination mit dem Kubernetes-Operators-Konzept. Für Kunden bedeutet dies eine verbesserte Zuverlässigkeit, Qualität und Skalierbarkeit sowohl in der Produktion als auch in ihren DevOps-Workflows.

Weitere Informationen unter:
www.redhat.com