Individuelle KI-Projekte
effizient umsetzen mit
Individuelle KI-Projekte
effizient umsetzen mit
Individuelle Lösungen für individuelle Probleme, und dennoch effizient entwickeln. Dank unseres selbst entwickelten Python-Package „emops“, kurz für Ehrenmüller Operations, konnten wir projektunabhängige Aufgaben standardisieren und dadurch KI-Projekte durchschnittlich 30% effizienter umsetzen.
Dadurch können wir uns bei Projektstart direkt auf den Kern des Projektes fokussieren.
Durch ein hohes Maß an Standardisierung entfallen etwa 90% der typischerweise in Projekten anfallenden Software-Engineering-Aufgaben zur Operationalisierung von KI-Modellen.
Warum emops?
Auch wenn sich unsere Kundenprojekte in den Zielen und der Datengrundlage meist stark unterscheiden, gibt es in der Entwicklung immer ein Grundgerüst, welches projektübergreifend nahezu identisch ist.
Aus einer Masterarbeit heraus entstand unser internes Projekt „emops“, das zum Ziel hatte, einige Projektbestandteile zu standardisieren und für den Projektmitarbeiter zu vereinfachen. Arbeitsschritte wie beispielsweise das Logging, die Datenbankverbindung, das Speichern projektrelevanter Dateien, die Verwaltung verschiedener Modellversionen aus verschiedenen Trainingsläufen mit verschiedenen Hyperparametern oder Code-Versionen können mithilfe von emops standardisiert werden.
Welche Vorteile bringt emops?
Weniger Aufwand für
sich wiederholende Infrastruktur-Themen
Eine Codebasis für mehrere Anwendungsfälle (keine Duplikate)
Einfacher Austausch von Infrastruktur-Komponenten per Konfiguration (ohne Code-Anpassung)
Projekt-Fokus liegt auf dem Kern des Projekts, dem KI-Modell
Einheitliche Projektstrukturen
Das Python-Package für die KI-Entwicklung
Das Python-Package für die KI-Entwicklung
Emops ist ein von der Ehrenmüller GmbH entwickeltes Python Package. Dieses Package ermöglicht es dem Projektmitarbeiter Programmcode zu entwickeln, ohne sich dabei mit der aktuellen oder zukünftig geplanten Infrastruktur auseinanderzusetzen.
Emops unterstützt den Produktlebenszyklus von Machine-Learning-Anwendungen beginnend beim Einlesen und Verarbeiten der Daten bis hin zur Modell Auslieferung. Die tatsächlich verwendeten infrastruktur-unabhängigen Komponenten können über eine Konfigurationsdatei spezifiziert werden. Emops bildet somit das Bindeglied zwischen Infrastruktur und KI-Modell, wodurch die Zusammenarbeit zwischen Data Scientist und Data Engineer maßgeblich vereinfacht wird.
Im besonders schnelllebigen Machine-Learning-Umfeld werden Tools teilweise rapide weiterentwickelt und müssen zeitintensiv adaptiert werden, um auf dem neuesten Stand der Technik zu sein. Durch emops werden Anbindungen zu relevanten neuen Tools zentral gesammelt und Standards für alle Projekte leicht integrierbar umgesetzt. Hierdurch werden Best Practices und Mindeststandards forciert, um Anti-Patterns in Projekten zu vermeiden. Zusätzlich reduzieren die austauschbaren Komponenten von emops den Vendor-Lock-In und ermöglichen es einfach zwischen On-Premise- und verschiedenen Cloud-Lösungen zu wechseln.
Sie interessieren Sich für die individuelle Entwicklung Ihres KI-Projektes?
Kontaktieren Sie uns gerne. Wir freuen uns von Ihnen zu hören.
Bringen Sie Ihr Unternehmen auf die nächste Stufe!
Wir entwickeln KI-Lösungen für den innovativen Mittelstand.