Herausforderung
Die Überführung von Machine Learning Prototypen oder MVPs in eine produktive Umgebung ist eine zentrale Herausforderung im End-to-end Prozess der Data Science. Unser Kunde, ein internationaler Pharma- und Healthcare-Konzern, stand vor der Herausforderung, eines seiner Data Products aus dem Bereich Forecasting von einer prototypischen Betriebsumgebung auf die neue Cloud-Plattform zu migrieren. Dabei sollte insbesondere beleuchtet werden, welche Optionen sowie Vor- und Nachteile sich hinsichtlich möglicher Zielarchitekturen ergeben.
Ansatz
Im Rahmen mehrerer Explorations- und Deep Dive Workshops haben wir mit unseren Machine Learning und Data Engineers den Quellcode sowie den aktuellen Workflow des Data Product analysiert. Im Anschluss daran haben wir zusammen mit den Data Platform und ML Engineers des Kunden mehrere Deployment Blueprints erarbeitet. Jeder Blueprint hat ein mögliches Architektur-Zielbild beleuchtet, wobei die Anteile der eingesetzten Cloud Services und Open Source Komponenten variierten.
Ergebnis
Im Ergebnis konnte unser Kunde zwischen drei unterschiedlichen Produktivszenarien wählen. Hieraus wurde ein Blueprint selektiert, der sich ausschließlich aus Cloud-Services zusammensetzt. Im Rahmen eines Folgeprojekts wurde der Blueprint dann auf der Cloud-Plattform des Kunden implementiert und so das Machine Learning Modell operationalisiert.