Unsere Produkte

Wenn neue Maschinenlernprozesse entwickelt werden, benötigen Wissenschaftler und Ingenieure nicht nur Zeit, den richtigen Algorithmus und die richtigen Daten auszuwählen, sondern auch für die Aufbereitung der Daten, das Modell zu evaluieren und die Rechenkapazitäten manuell zu managen. Dies beinhaltet, die Recheninfrastruktur aufzusetzen, ihren Code zu deployen, die nötigen Prozesse zu starten und die Zwischenergebnisse zu verwalten. Alle diese zusätzlichen Aufgaben verlangsamen den Entwicklungsprozess, machen ihn fehleranfällig und haben einen negativen Einfluss auf die Motivation.

Um die Praxis für Entwickler zu verbessern, arbeiten wir derzeit and einer Sammlung von Bibliotheken die einfach in Python-Skripte integriert werden können und viele dieser Aufgaben automatisieren.

• Aufteilen von Python-Skripten in unabhängige logische Aufgaben die einzeln gestartet werden
• Einfache Integration durch die Verwendung von decorators
• Unterstützung für das Starten von Aufgaben mit unterschiedlichen Python-Interpretern
• Asynchrone Ausführung von Aufgaben
• Automatisches Deployment und Starten auf unterschiedlichen Rechenplattformen (lokal, Cluster mittels SSH, etc.)
• Verwalten von Zwischenergebnissen
• Wiederverwendbare Konfiguration

Das erste Produkt wird voraussichtlich in Q4 2021 veröffentlicht werden.

Typischerweise werden Maschinenlernprozesse in mehreren sequentiellen Schritten entwickelt. Leider ist dieser Prozess nicht so geradlinig wie erhofft. Während der Entwicklung führen Probleme dazu, dass zu vorherigen Schritten zurückgegangen werden muss und man von dort dann neu anfängt. Daher sieht der Prozess in Realität eher so aus:

Dies führt zu mehrfachen Berechnungen von gleichen Daten und erstellen derselben Zwischenergebnisse immer und immer wieder.

Des Weiteren haben alle diese Schritte unterschiedliche Laufzeiteigenschaften und verschiedene Anforderungen an die Rechenplattform, auch wenn sie oft alle auf der gleichen Plattform ausgeführt werden.

Unsere Lösung erfasst alle einzelnen Aufgaben zusammen mit ihren Eingabe- und Ausgabedaten. Sie sammelt Profiling-Daten über jede Aufgabe um so die Effizienz des gesamten Prozesses bestimmen zu können. Dies ermöglicht:

• Bestimmen der Berechnungskosten Ihrer Modelle und seiner individuellen Teile
• Vermeiden unnötiger Wiederberechnungen von Zwischenergebnissen
• Finden von Hotspots in Ihrem Code, die die meisten Ressourcen benötigen
• Entdecken von Aufgaben die mehr Ressourcen verlangen, als sie wirklich verwenden.
• Ausführen von Aufgaben auf den kosteneffizientesten Maschinen

Oft sind Daten, die beim Erstellen von Machinenlernmodellen verwendet werden, Regulierung unterworfen, die bestimmte Vorgaben für die Nutzung machen, insbesondere bei der Verwendung von sensitiven Daten von Kunden.

Durch die Integration unserer Werkzeuge können Sie die Quellen Ihrer Daten durch den gesamten Prozess verfolgen und so sicherstellen, dass die notwendigen Mechanismen etabliert sind, alle Regulierungen denen Sie unterliegen einzuhalten.

• Verstehen Sie welche Daten in Ihren Modellen benutzt werden
• Managen Sie den Lebenszyklus ihrer Artefakte automatisch
• Erzeugen Sie automatisch Auditierungsreports, die Ihre Konformität attestieren
• Definieren Sie benutzerdefinierte Regeln, die automatisch auf alle Ihre Daten angewendet werden