Unternehmen, die ML-Software in ihren Kern-Geschäftsbereichen anwenden möchten, müssen MLOps und Model Governance implementieren, um ML-Systeme langfristig erfolgreich in Produktion bringen zu können.
Der Einsatz von Machine Learning und Künstlicher Intelligenz Methoden bringt Verantwortung und Verpflichtungen mit sich. Unternehmen müssen bereits regulative Verordnungen einhalten, die zukünftig durch neue und KI-spezifische Auflagen ergänzt werden sollen. So veröffentlichte die EU im April 2021 die Verordnung über einen europäischen Ansatz für künstliche Intelligenz als ersten Rechtsrahmen für KI, die Unternehmen vor die neue Herausforderung stellt, rechtliche Anforderungen in die Praxis umzusetzen. Dazu kommt, dass Auflagen auch für ML-Systeme relevant sind, die an ein hohes unternehmerisches Risiko gebunden sind. Um diesen Anforderungen nachkommen zu können, benötigt ein Unternehmen Prozesse, durch die es die Zugriffe auf ML-Modelle kontrolliert, Richtlinien umsetzt und die Interaktionen mit den ML-Modelle und deren Ergebnisse verfolgt. Diese Prozesse werden als Model Governance bezeichnet. Die Wichtigkeit von Model Governance wird für viele Unternehmen oft erst dann deutlich, wenn ML-Modelle in die Produktion gehen sollen. Wenn die ML- Pipelines zwar automatisiert sind, die Modelle aber nicht in Einklang mit gesetzlichen Regelungen stehen, kann der Einsatz des ML-Systems scheitern.
Der Vortrag zeigt, dass der Einklang von ML-Systemen mit gesetzlichen Vorgaben keinesfalls ein abstraktes, sondern ein technisch lösbares Problem darstellt. Ich werde einen Ausblick geben, wie die Implementierung von Model Governance parallel und ergänzend zur Implementierung von MLOps erfolgen muss - je nach Use Case in verschiedenen Varianten.
