Breaking the wall between data scientists and app developers with Azure DevOps

von Florian J. Deinhard Forum: Allgemeines

Als Datascientist ist man es gewohnt, maschinelle Lernmodelle in dem bevorzugten Python-Notebook oder einer integrierten Entwicklungsumgebung (IDE) wie Visual Studio Code (VSCode) zu entwickeln und zu trainieren. Anschließend übergibt man das resultierende Modell an einen App-Entwickler, der es in die größere Anwendung integriert und implementiert. Oft werden Fehler oder Leistungsprobleme nicht entdeckt, bis die Anwendung bereits bereitgestellt wurde. Die resultierende Reibung zwischen App-Entwicklern und Datascienntists bei der Ermittlung und Behebung der Ursache kann ein langsamer, frustrierender und kostspieliger Prozess sein.

Da KI in geschäftskritische Anwendungen integriert wird, wird es immer klarer, dass man eng mit den App-Entwicklerkollegen zusammenarbeiten muss, um KI-gestützte Anwendungen effizienter zu erstellen und zu implementieren. Als Datenwissenschaftler konzentriert man sich auf den Data Science-Lebenszyklus, nämlich Datenaufnahme und -aufbereitung, Modellentwicklung und Bereitstellung.
Auch ist man daran interessiert, das Modell regelmäßig neu zu schulen und erneut einzusetzen, um frisch markierte Daten, Datenverschiebungen, Benutzerfeedback oder Änderungen an den Modelleingaben anzupassen.

Der App-Entwickler konzentriert sich auf den Anwendungslebenszyklus - das Erstellen, Warten und Aktualisieren der größeren Geschäftsanwendung, zu der das Modell gehört. Beide Parteien sind motiviert, die Geschäftsanwendung und das Geschäftsmodell gut zusammenarbeiten zu lassen, um die End-to-End-Ziele hinsichtlich Leistung, Qualität und Zuverlässigkeit zu erreichen.

hier gelangen Sie zu weiteren Informationen:
https://azure.microsoft.com/de-de/blog/breaking-the-wall-between-data-scientists-and-app-developers-with-azure-devops/