Gelieferter Wert
40%
Verkürzung der Bereitstellungszeit durch die CI/CD-Integration, was zu einer schnelleren Markteinführung führt.
Zentrale MLOps-Plattform ermöglicht 40 % schnellere KI-Bereitstellungen für E-Commerce-Kunden
INDUSTRIE
E-Commerce
PROJEKTDAUER
10 Jahre
STANDORT
Weltweit
Kundenübersicht
Eine E-Commerce-Plattform musste Kunden weltweit mit präzisen, lokalisierten Inhalten versorgen. Doch jede Abteilung nutzte ihr eigenes System für Übersetzungen von Produktbeschreibungen, Supportartikeln und Marketingmaterialien. Dieser Patchwork-Ansatz führte zu Inkonsistenzen und erschwerte die einheitliche Kommunikation der Markenbotschaft.
Herausforderung
Eine der weltweit größten Plattformen für Shopping-Engagement stand vor der Herausforderung, seine wachsenden Machine Learning (ML)-Initiativen zu verwalten. Da mehrere ML-Projekte gleichzeitig liefen, verließen sich die Datenwissenschaftler auf lokal installierte MLOps-Tools für die Nachverfolgung von Experimenten, die Modellregistrierung und die Versionierung von Assets. Dieser dezentralisierte Ansatz erschwerte die Zusammenarbeit, da die Ergebnisse von Experimenten und Assets (Modelle und Datensätze) nicht ohne weiteres teamübergreifend genutzt werden konnten.
Um diese Herausforderungen zu bewältigen, ging der Kunde eine Partnerschaft mit Intertec ein, um eine zentralisierte MLOps-Plattform aufzubauen. Die Lösung integriert Backend- und Artefaktspeicher und gewährleistet eine nahtlose Datenverfolgung, gemeinsame Nutzung von Assets und effizientes Workflow-Management. Durch die Nutzung von AWS-Cloud-Services ermöglicht die neue Plattform Skalierbarkeit, Automatisierung und sichere Zusammenarbeit und verbessert so die gesamte ML-Produktivität.
Unsere Lösung
Unsere Lösung
Intertec entwickelte eine zentralisierte, cloudbasierte MLOps-Plattform, die es der führenden E-Commerce-Plattform ermöglicht, ML-Experimente zu verfolgen, Modellbestände zu verwalten und die Zusammenarbeit zu optimieren. Die Lösung integriert einen Backend-Speicher für Experimentdaten und einen Artefaktspeicher für ML-Modelle und -Datensätze.
Einheitliche MLOps-Plattform - Alle ML-Teams nutzen jetzt eine einzige Plattform für die Nachverfolgung von Experimenten, die Modellregistrierung und die Versionierung von Assets, wodurch Ineffizienzen vermieden werden.
- Skalierbare Cloud-Infrastruktur - Die auf AWS gehostete Plattform skaliert dynamisch je nach Bedarf mit Services wie EC2, AutoScaling und Load Balancing.
- Automatisierte Bereitstellung und Überwachung - Durch die Integration von AWS CodePipeline und CloudWatch können die Teams des Kunden kontinuierlich Updates bereitstellen und die Systemleistung in Echtzeit überwachen.
- Bessere Zusammenarbeit - Datenwissenschaftler können nun auf einfache Weise Experimentierergebnisse, Modelle und Datensätze austauschen, was die Teamarbeit fördert und Innovationen beschleunigt.
Ergebnisse
Siloisierte ML-Workflows - Jeder Datenwissenschaftler arbeitete unabhängig mit lokal gehosteten MLOps-Tools, was den teamübergreifenden Austausch von Ergebnissen und Erkenntnissen erschwerte.
Fehlende Versionierung und Governance - Ohne eine zentralisierte Modellregistrierung hatten die Teams Schwierigkeiten, verschiedene Versionen von ML-Modellen und Datensätzen zu verfolgen.
Eingeschränkte Zusammenarbeit - Experimentierergebnisse, Modellleistungsdaten und Assets konnten von anderen Teams nicht in Echtzeit abgerufen werden, was zu Doppelarbeit und langsamen Entscheidungen führte.
Bedenken hinsichtlich der Skalierbarkeit - Die lokal eingerichteten MLOps-Tools waren nicht skalierbar, was es schwierig machte, die wachsenden Daten- und Berechnungsanforderungen zu erfüllen. Jede Anfrage musste mehrere Ingenieure und Tools durchlaufen, bevor sie fertig war, was zu Verzögerungen und potenziellen Fehlern führte.
