Trends für Enterprise Data Architecture und Model Deployment

Ende 2019 gab Dataiku bei der Gerson Lehrman Group (GLG) eine anonyme Befragung von 200 IT-Profis in verschiedenen Branchen in Auftrag, weil wir uns ein Bild der Datenarchitekturen in Unternehmen machen wollten, insbesondere im Kontext der produktiven Nutzung von Modellen für Machine Learning (ML). Daraus lassen sich viele spannende Erkenntnisse ableiten, zum Status Quo, genutzten Plattformen und geplanten Aktionen.

Cloud-Reife und Einsatz von Cloud-Plattformen

Die Cloud ist heute ein offensichtlicher Treiber der Enterprise AI-Strategie. Dies geht sowohl aus dieser Umfrage als auch aus den täglichen Interaktionen mit unseren Kunden hervor, und zwar branchenübergreifend. Die volle Reife in diesem Bereich wird jedoch durch die nahtlose Kombination mehrerer Cloud- und lokaler Lösungen zu einer Hybridarchitektur erreicht. 64 Prozent der Umfrageteilnehmer gaben an, eine hybride Architektur zu nutzen. Dabei ist die hybride Struktur immer noch sehr unsicher und komplex, und Unternehmen haben weiterhin Probleme, Sicherheit, Datenstandort und Architektur miteinander in Einklang zu bringen.

Zusätzlich zu den Architekturherausforderungen zeigt diese Umfrage anhaltende Ineffizienzen bei Data Pipelines auf. Fast 60 Prozent der Befragten gaben an, dass die meisten Datenaufbereitungen in einem System und Machine Learning in einem anderen System stattfinden. Wenn das ausgereifte Modell nicht nur einige, sondern Hunderte (oder Tausende) Modelle in der Produktion pro Jahr bereitstellen kann, ist es entscheidend, beide Prozesse in einem konsistenten Workflow auszuführen.

Die Teilnehmer der Umfrage wurden unter anderem gefragt, ob ihr Unternehmen GPU für Deep Learning nutzt, wo die Daten gespeichert sind (siehe Abbildung 1), ob öffentliche Clouds genutzt werden und was zum Trainieren der ML-Modelle verwendet wird. Anhand der Antworten haben wir die Cloud-Reife jedes Unternehmens berechnet.

Das Ergebnis: Wo die Cloud-Reife von „mittel“ zu „hoch“ steigt, folgt die allgemeine KI-Reife einem ähnlichen Muster. Wir können also davon ausgehen, dass die Cloud-Reife ein guter Indikator für die allgemeine organisatorische Reife bezüglich der Erstellung, Nutzung und Pflege von ML-Modellen im Produktionsbetrieb im großen Maßstab ist.

Führende Cloud-Plattformen

Die wohl bekanntesten Cloud-Anbieter sind Amazon (AWS), Microsoft und Google. So überrascht es nicht, dass diese drei Anbieter mit Abstand am häufigsten genannt wurden bei der Frage nach genutzten Plattformen. Fast die Hälfte aller befragten Unternehmen setzt auf AWS (siehe Abbildung 3). Genauere Angaben und Diagramme zur Verteilung der Cloud- und allgemeinen KI-Reifebewertungen finden Sie im dazugehörigen 18-Seiten Whitepaper.

Allgemeine Trends für Data Science

Laut der Umfrageteilnehmer sollen folgenden Trendtechnologien in ihren Unternehmen in diesem Jahr verstärkt genutzt werden: AutoML, Active Learning und die Optimierung von vorhandenen Lösungen und Prozessen.

Eine detaillierte Analyse der Antworten auf die 14 wichtigsten Fragen sowie Einblicke in Trends bei der ML-Nutzung und den Reifegrad dieser Projekte finden Sie im 18-seitigen White Paper. Lesen Sie die detaillierte Auswertung der Befragung von 200 IT-Führungskräften und unsere Interpretation der Ergebnisse mit Blick auf die Zukunft der KI-Nutzung in Unternehmen. -> Zum White Paper

Abbildung 1: Wo befinden sich die Daten, die Ihr Unternehmen für ML-Projekte nutzt?

Abbildung 2: Wie lange brauchen Unternehmen, um ein Modell produktiv einzusetzen?

Abbildung 3: Welche Cloud-Plattformen sind im Einsatz?