Continuous Learning

Nachdem wir die letzten Jahre ein Wiederaufblühen der Machine Learning und Artificial Intelligence Ära erleben dürfen, gibt es inzwischen eine ganze Reihe an Anleitungen und Bibliotheken zum Trainieren eigener Modelle. Bei der Überführung der trainierten Modelle von der sterilen, geschützten Entwicklungsumgebung in ein Produktivsystem, stehen wir vor einer ganzen Reihe an neuen Herausforderungen. Eine dieser Herausforderungen beinhaltet die Weiterentwicklung von Machine Learning Modellen im produktiven Einsatz.

Wie auch wir uns stetig an den Wandel des Umfelds und dessen Einflüsse auf die Unternehmensumwelt weiterentwickeln und an neuen Herausforderungen wachsen müssen, müssen sich auch Machine Learning Modelle an den Wandel des Marktes anpassen, um dauerhaft zu funktionieren. Der Markt bleibt in Bewegung, Nachfragen und Produktangebote ändern sich. Vorhersagemodelle oder automatisierte Entscheidungsmodelle können veralten oder mögen mit der aktuellen Datengrundlage noch nicht gänzlich ausgereift sein. Es gibt viele Gründe ein Modell auf den neusten Stand der aktuellen Datenverfügbarkeit zu bringen.

Im Folgenden möchten wir einige Methoden beschreiben, welche eingesetzt werden können, um ein Modell zu aktualisieren. Ob hierbei ein Modell komplett neu trainiert wird oder ein bestehendes erweitert wird, bleibt dem Anwender überlassen. In manchen Fällen kann sich auch eine Nachkalibrierung der zuvor festgelegten Trainings-Parameter als lohnend herausstellten.

Manuelles Training: Eine naheliegende Methode ein Modell neu zu trainieren ist das manuelle Initialisieren des Trainings. Hierbei muss nicht unbedingt der Entwickler selbst beteiligt sein. Es können auch abstrahierende Tools zur Verfügung gestellt werden, wie beispielsweise ein Button in einer Webumgebung, welcher den Prozess im Hintergrund anstößt.

Zeitabhängiges Training: Über eine Metadaten-Tabelle/Datei oder einen Cronjob kann das Training für einen festgelegten Zeitpunkt initialisiert werden. Beispielsweise jeden Abend, jedes Wochenende oder zum ersten Tag des neuen Monats. So wird eine regelmäßige Aktualisierung des Modells sichergestellt, ohne dass ein Anwender selbst entscheiden muss, ob das Modell noch den aktuellen Ansprüchen genügt.

Qualitätsabhängiges Training: Durch regelmäßiges Prüfen der Modell-Qualität in Hinblick auf die getroffenen Vorhersagen oder Empfehlungen, kann abhängig eines festgelegten Qualitätsschwellwerts ein Training initialisiert werden. Hierbei ist es wichtig den Output des Modells zu archivieren, um eine entsprechende Gegenprüfung mit den realen Werten zu ermöglichen.

Welches dieser Methoden die beste ist, kann jeder für sich entscheiden. Natürlich können auch alle Methoden eingesetzt werden, um das Modell auf dem neusten Stand zu halten.

Anhand des folgenden von uns erstellten Konzepts, möchten wir veranschaulichen, wie es ermöglicht werden kann, ein Modell in der produktiven Umgebung automatisiert durch ein neues zu ersetzen. Auf die einzelnen Bereiche wird im Anschluss eingegangen.