In diesem Blogbeitrag erläutern wir das Konzept von „Machine Learning as a Service“ (MLaaS) und stellen die besten MLaaS-Plattformen vor.

Machine Learning as a Service (MLaaS) setzt sich aus verschiedenen Cloud-Computing-Diensten zusammen, die Werkzeuge für maschinelles Lernen bereitstellen. MLaaS ermöglicht es Kunden, von den Vorteilen des maschinellen Lernens zu profitieren, ohne die Kosten, den Zeitaufwand und die Risiken in Kauf nehmen zu müssen, die mit dem Aufbau eines internen Machine-Learning-Teams verbunden wären.

MLaaS reduziert den Aufwand für die Infrastruktur und nimmt den Anwendern Aufgaben wie Datenvorverarbeitung, Modelltraining und Modellbewertung ab. Zudem stellen die Anbieter Funktionen wie Predictive Analytics, Deep Learning, APIs, Datenvisualisierung und NLP (Natural Language Processing) zur Verfügung. Die rechenintensiven Prozesse werden dabei in Rechenzentren abgewickelt.

Was ist Machine Learning as a Service und wie funktioniert es?

MLaaS ist eine Sammlung von Diensten, die fertige, universell einsetzbare ML-Tools bereitstellen. Diese Tools lassen sich an die spezifischen Anforderungen jeder Organisation anpassen. MLaaS-Algorithmen sind äußerst hilfreich bei der Identifizierung von Datenmustern. Diese Muster dienen als Grundlage für die Erstellung mathematischer Modelle, mit denen sich Vorhersagen für neue Daten treffen lassen.

Ein wesentlicher Vorteil ist, dass die Nutzer selbst keine Rechenvorgänge durchführen müssen; diese erfolgen extern in den Rechenzentren der Anbieter. MLaaS fungiert als umfassende KI-Plattform, die verschiedenste Systeme miteinander verknüpft – etwa mobile Anwendungen, Unternehmensdaten und hochentwickelte Sensortechnologien wie LiDAR.

MLaaS ermöglicht Mustererkennung auf der Basis probabilistischer Schlussfolgerungen und bietet so eine fundierte, leistungsfähige ML-Lösung. Zudem bietet das System die Flexibilität, unterschiedliche Methoden zu nutzen, um maßgeschneiderte, auf die jeweiligen Nutzerbedürfnisse abgestimmte Arbeitsabläufe zu erstellen.

MLaaS-Tools werden von einer Reihe von Cloud-Anbietern bereitgestellt, darunter Microsoft, Amazon und IBM.

Vorteile von MLaaS-Plattformen für das Datenmanagement

Unternehmen verlagern ihre Daten von On-Premise-Speichern in Cloud-Speichersysteme. Daraus ergibt sich die Notwendigkeit, diese Daten zu organisieren. MLaaS-Plattformen stellen Cloud-Speicher bereit. Zudem bieten sie Möglichkeiten zur Datenverwaltung für ML-Experimente und Datenpipelines. Auf diese Weise erleichtern sie Data Engineers den Zugriff auf Daten sowie deren Verarbeitung.

Zugriff auf ML-Tools

Predictive Analytics und Datenvisualisierung sind Werkzeuge, die MLaaS-Anbieter Unternehmen zur Verfügung stellen. Zudem bieten sie APIs für Sentiment-Analyse, Gesichtserkennung und weitere Anwendungen an.

MLaaS-Anbieter abstrahieren die eigentlichen Berechnungen dieser Vorgänge, sodass sich Data Scientists nicht darum kümmern müssen. Einige MLaaS-Anbieter stellen zudem eine Drag-and-Drop-Oberfläche bereit, die bei ML-Experimenten und der Modellentwicklung unterstützt.

Benutzerfreundlichkeit

MLaaS ermöglicht es Data Scientists, ohne zeitaufwendige Prozesse mit ML zu beginnen. Zudem müssen sie keine eigenen Server bereitstellen. Die Rechenzentren des Anbieters übernehmen bei MLaaS die eigentliche Rechenarbeit. Dies bietet auch für Unternehmen durchweg hohen Komfort.

Kosteneffizienz

Die Zusammenstellung einer ML-Workstation ist eine kostspielige Angelegenheit. Die für den Betrieb der ML-Station erforderliche GPU ist sehr teuer. Zudem benötigt der Chipsatz für seinen Betrieb eine beträchtliche Menge an Strom, was zu einem Anstieg der Stromkosten führt.
Andererseits fallen Kosten für die Hardware nur dann an, wenn sie tatsächlich genutzt wird – ein großer Vorteil gerade in der Entwicklungsphase. Solche und weitere Lösungen werden über MLaaS-Plattformen angeboten.

Die besten MLaaS-Plattformen

ML von Amazon

Amazon ML ist die beste Option, wenn Sie eine automatisierte Lösung benötigen. Für zeitkritische Aufgaben ist Amazon ML eine hervorragende Wahl. Der Dienst kann Daten aus verschiedenen Quellen laden und sämtliche Schritte der Datenvorverarbeitung durchführen. Sie können ein Modell erstellen, das Vorhersagen für Ihre Anwendung generiert.

Dank Visualisierungstools und Assistenten müssen Sie weder programmieren noch die Infrastruktur verwalten. Die Plattform unterstützt keine Verfahren des unüberwachten Lernens (Unsupervised Learning). Sie müssen eine Zielvariable auswählen, die im Trainingsdatensatz gekennzeichnet wird. Amazon ML wählt die Lernmethode nach der Analyse der Daten automatisch aus.

Microsoft Azure Machine Learning Studio

Azure ML Studio könnte mit seiner Drag-and-Drop-Oberfläche die beste Option für Sie sein. Nahezu alle ML-Vorgänge lassen sich über eine grafische Benutzeroberfläche durchführen. Wenn Sie gerade erst in das Thema ML einsteigen, ist ML Studio eine hervorragende Wahl, um Mitarbeiter, die noch nicht mit ML vertraut sind, an diese Funktionen heranzuführen.

Google Cloud AutoML

Google Cloud AutoML bietet eine grafische Benutzeroberfläche (GUI). Diese erleichtert das Hochladen von Datensätzen, das Trainieren maßgeschneiderter Modelle sowie deren Bereitstellung über eine REST-API-Schnittstelle. Cloud AutoML unterstützt Entwickler, die nur über begrenzte Kenntnisse und Erfahrungen im Bereich maschinelles Lernen (ML) verfügen. Es ermöglicht ihnen die Erstellung hochwertiger Modelle, die genau auf ihre geschäftlichen Anforderungen zugeschnitten sind. Darüber hinaus umfasst das Angebot von AutoML Dienste für die Bild- und Videoverarbeitung, NLP (Natural Language Processing) sowie Übersetzungsfunktionen.

Microsoft Azure Machine Learning-Dienste

Azure Machine Learning Services ist die Cloud-Infrastruktur von Microsoft. Sie unterstützt das Erstellen, Testen und Bereitstellen von Modellen in großem Maßstab und ist mit beliebigen Tools oder Frameworks – einschließlich TensorFlow – kompatibel. Die Plattform bietet eine Umgebung für vielfältige Funktionen und eignet sich hervorragend für professionelle KI-Entwickler und Data Scientists mit Python-Kenntnissen.

Für den produktiven Einsatz der Modelle werden Dienste von Drittanbietern wie Docker genutzt. Im Gegensatz zu Microsofts ML Studio sind keine integrierten Methoden vorhanden, weshalb eine individuelle Modellentwicklung erforderlich ist. Auch für die Entwicklung von Bots bietet Azure ML eine umfassende Umgebung, die das Entwickeln, Testen und Bereitstellen von Bots unter Verwendung verschiedener Programmiersprachen ermöglicht.

Amazon SageMaker

SageMaker ist die MLaaS-Plattform von Amazon für ML-Experten. Sie stellt Data Scientists Werkzeuge zur Verfügung, mit denen sie Modelle schneller entwickeln und bereitstellen können. Die Plattform bietet eine Vielzahl vorab trainierter ML-Modelle sowie integrierte ML-Algorithmen.
Die integrierten Algorithmen eignen sich zudem hervorragend für umfangreiche Berechnungen und große Datensätze.

Die Chatbot-KI ermöglicht es Ihnen, dialogorientierte Schnittstellen in beliebige Anwendungen zu integrieren. Dabei kommen fortschrittliche Deep-Learning-Verfahren für die automatische Spracherkennung (ASR) zum Einsatz. Darüber hinaus unterstützt Amazon ML Sie bei der Aufbereitung von Datensätzen und der Modellierung.

Google Cloud Machine Learning Engine

Die Google Cloud Machine Learning Engine richtet sich an ML-Experten und erfahrene Ingenieure. Sie nutzt TensorFlow sowie Cloud-Infrastruktur. TensorFlow eignet sich hervorragend für Aufgaben im Bereich tiefer neuronaler Netze. Google Cloud ML umfasst eine Vielzahl vorgefertigter Algorithmen.

Die Plattform bietet modulare Komponenten für die Bild- und Videoanalyse sowie für Sprach- und Sentiment-Analysen. Zudem verfügt sie über einen integrierten Enterprise-Notebook-Service auf Basis von JupyterLab für die Verwaltung von ML-Frameworks.

Zudem sind vorkonfigurierte virtuelle Maschinen und Deep-Learning-Container enthalten. Diese unterstützen ebenfalls die schnelle Anwendungsentwicklung sowie das Hosten von Modellen als gehostete Vorhersage-Engines. Google bietet Dialogflow an, eine Plattform zur sprachbasierten und visuellen Erstellung von Bots. Sie ermöglicht die Entwicklung von Bots, die eine dialogorientierte Benutzeroberfläche in verschiedene Systeme integrieren. Das Tool kann eine Vielzahl von Eingaben analysieren, darunter Text- und Audiodaten.

Watson Machine Learning Studio von IBM

IBM Watson Machine Learning Studio richtet sich sowohl an erfahrene Data Scientists als auch an Einsteiger und unterstützt sie bei der gemeinsamen Entwicklung von ML-Anwendungen. Data Scientists können die Plattform nutzen, um analytische Modelle zu entwickeln, diese mit ihren Daten zu trainieren und in Anwendungen zu integrieren.

Für Analysten aus dem Geschäftsbereich könnte die Benutzeroberfläche jedoch eine Herausforderung darstellen. Watson ML Studio bietet eine Schnittstelle für die automatisierte Datenverarbeitung und Modellerstellung; für die Verarbeitung von Daten, die Vorbereitung von Modellen und deren Bereitstellung in der Produktion ist kaum oder gar keine Einarbeitung erforderlich.

Abschluss

Es ist entscheidend, zunächst festzulegen, was Sie mit ML erreichen wollen. Anschließend können Sie diejenige der genannten Optionen auswählen, die Ihre Anforderungen am besten erfüllt. Zudem ist es ratsam, für den Speicher denselben Anbieter zu wählen wie für Ihre MLaaS-Plattform; dies spart Zeit bei der Konfiguration der Datenquellen.

Wenn ML-Workflows aus verschiedenen Quellen gespeist werden, kann es zu Komplikationen kommen. Bedenken Sie jedoch vor Ihrer Entscheidung, dass sich einige dieser Plattformen auch mit Speichersystemen anderer Anbieter integrieren lassen. Ein Beispiel hierfür ist Azure, das neben den eigenen Speicherprodukten auch Hadoop unterstützt. Andererseits weisen MLaaS-Plattformen auch einige wesentliche Nachteile auf, die es zu berücksichtigen gilt. Letztendlich hängt die Wahl der optimalen MLaaS-Plattform von Ihren spezifischen Anforderungen ab.