{"id":8131,"date":"2021-03-08T04:35:13","date_gmt":"2021-03-08T04:35:13","guid":{"rendered":"https:\/\/wealthrevelation.com\/data-science\/2021\/03\/08\/die-notwendigkeit-von-devops-in-data-science\/"},"modified":"2021-03-08T04:35:13","modified_gmt":"2021-03-08T04:35:13","slug":"die-notwendigkeit-von-devops-in-data-science","status":"publish","type":"post","link":"https:\/\/wealthrevelation.com\/data-science\/2021\/03\/08\/die-notwendigkeit-von-devops-in-data-science\/","title":{"rendered":"Die Notwendigkeit von DevOps in Data Science"},"content":{"rendered":"
\n

Datenwissenschaft und maschinelles Lernen werden h\u00e4ufig mit Mathematik, Statistik, Algorithmen und Datenstreitigkeiten in Verbindung gebracht.\u00a0W\u00e4hrend diese F\u00e4higkeiten f\u00fcr den Erfolg der Implementierung von maschinellem Lernen in einem Unternehmen von zentraler Bedeutung sind, gewinnt eine Funktion zunehmend an Bedeutung \u2013 DevOps for Data Science. DevOps<\/a> umfasst die Bereitstellung der Infrastruktur, das Konfigurationsmanagement, die kontinuierliche Integration und Bereitstellung, das Testen und die \u00dcberwachung.\u00a0Die DevOps Consulting<\/a> \u2013 Teams haben eng mit den Entwicklungsteams zusammengearbeitet, um den Lebenszyklus von Anwendungen effektiv zu verwalten.<\/p>\n

Data Science bringt DevOps zus\u00e4tzliche Verantwortung.\u00a0Data Engineering, eine Nischendom\u00e4ne, die sich mit komplexen Pipelines befasst, die die Daten transformieren, erfordert eine enge Zusammenarbeit von Data Science-Teams mit DevOps.\u00a0Datenwissenschaftler untersuchen transformierte Daten, um Erkenntnisse und Korrelationen zu finden. Von den DevOps-Teams wird erwartet, dass sie Datenwissenschaftler unterst\u00fctzen, indem sie Umgebungen f\u00fcr die Datenexploration und -visualisierung erstellen.<\/p>\n

Das Erstellen von Modellen f\u00fcr maschinelles Lernen unterscheidet sich grundlegend von der herk\u00f6mmlichen Anwendungsentwicklung.\u00a0Die Entwicklung ist nicht nur iterativ, sondern auch heterogen.\u00a0Datenwissenschaftler und -entwickler verwenden eine Vielzahl von Sprachen, Bibliotheken, Toolkits und Entwicklungsumgebungen, um Modelle f\u00fcr maschinelles Lernen zu entwickeln.\u00a0Beliebte Sprachen f\u00fcr die Entwicklung des maschinellen Lernens wie Python, R und Julia werden in Entwicklungsumgebungen verwendet, die auf Jupyter Notebooks, PyCharm, Visual Studio Code, RStudio und Juno basieren.\u00a0Diese Umgebungen m\u00fcssen Datenwissenschaftlern und Entwicklern zur Verf\u00fcgung stehen, die ML-Probleme l\u00f6sen.<\/p>\n

Maschinelles Lernen und Deep Learning erfordern eine massive Computerinfrastruktur, die auf leistungsstarken CPUs und GPUs ausgef\u00fchrt wird.\u00a0Frameworks wie TensorFlow, Caffe, Apache MXNet und Microsoft CNTK nutzen die GPUs, um komplexe Berechnungen f\u00fcr das Training von ML-Modellen durchzuf\u00fchren.\u00a0Das Bereitstellen, Konfigurieren, Skalieren und Verwalten dieser Cluster ist eine typische DevOps-Funktion.\u00a0DevOps-Teams m\u00fcssen m\u00f6glicherweise Skripts erstellen, um die Bereitstellung und Konfiguration der Infrastruktur f\u00fcr eine Vielzahl von Umgebungen zu automatisieren.<\/p>\n

\u00c4hnlich wie bei der modernen Anwendungsentwicklung ist die Entwicklung des maschinellen Lernens iterativ.<\/p>\n

Wenn ein vollst\u00e4ndig trainiertes ML-Modell verf\u00fcgbar ist, wird von DevOps-Teams erwartet, dass sie das Modell in einer skalierbaren Umgebung hosten, beispielsweise mit Microsoft Azure und die dazugeh\u00f6rige DevOps-L\u00f6sung<\/a>. Sie k\u00f6nnen Orchestrierungs-Engines wie Apache Mesos oder Kubernetes nutzen, um die Modellbereitstellung zu skalieren.<\/p>\n

DevOps-Teams nutzen Container f\u00fcr die Bereitstellung von Entwicklungsumgebungen, Datenverarbeitungs-Pipelines, Schulungsinfrastrukturen und Modellbereitstellungsumgebungen.\u00a0Neue Technologien wie Kubeflow und MlFlow konzentrieren sich darauf, DevOps-Teams in die Lage zu versetzen, die neuen Herausforderungen im Umgang mit der ML-Infrastruktur zu bew\u00e4ltigen.<\/p>\n

Maschinelles Lernen verleiht DevOps eine neue Dimension.\u00a0Zusammen mit den Entwicklern m\u00fcssen die Betreiber mit Datenwissenschaftlern und Dateningenieuren zusammenarbeiten, um Unternehmen zu unterst\u00fctzen, die das ML-Paradigma annehmen.<\/p>\n

\n

Lea Krause<\/a><\/h3>\n
\"Avatar\"<\/div>\n

Lea Krause studierte internationales Marketing. Sie arbeitet als Expertin f\u00fcr digitales Marketing, aber in ihrer Freizeit schreibt sie gerne \u00fcber verschiedene Themen. Ihre Hobbys sind Lesen, Filme schauen und Wandern in den Bergen.<\/p>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

https:\/\/data-science-blog.com\/en\/blog\/2021\/02\/24\/die-notwendigkeit-von-devops-in-data-science\/<\/p>\n","protected":false},"author":0,"featured_media":8132,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[2],"tags":[],"_links":{"self":[{"href":"https:\/\/wealthrevelation.com\/data-science\/wp-json\/wp\/v2\/posts\/8131"}],"collection":[{"href":"https:\/\/wealthrevelation.com\/data-science\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wealthrevelation.com\/data-science\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/wealthrevelation.com\/data-science\/wp-json\/wp\/v2\/comments?post=8131"}],"version-history":[{"count":0,"href":"https:\/\/wealthrevelation.com\/data-science\/wp-json\/wp\/v2\/posts\/8131\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wealthrevelation.com\/data-science\/wp-json\/wp\/v2\/media\/8132"}],"wp:attachment":[{"href":"https:\/\/wealthrevelation.com\/data-science\/wp-json\/wp\/v2\/media?parent=8131"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wealthrevelation.com\/data-science\/wp-json\/wp\/v2\/categories?post=8131"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wealthrevelation.com\/data-science\/wp-json\/wp\/v2\/tags?post=8131"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}