Kubeflow-basierte Machine-Learning-Plattform für ein Pharmaunternehmen

Für ein führendes deutsches Pharmaunternehmen mit über 85 Datenwissenschaftlern und 20 Anwendungsfällen haben wir eine maßgeschneiderte Machine-Learning-Plattform aufgebaut und betrieben. Die Herausforderung bestand darin, dass bisher keine geeignete ML-Entwicklungsumgebung vorhanden war, die den gesamten ML-Workflow von der Konzeption bis zur Implementierung unterstützt hat.

Wir haben eine zentrale Plattform auf Basis von Kubeflow eingerichtet, die durch benutzerdefinierte Funktionen an die strengen Vorschriften des Unternehmens angepasst wurde. Dabei diente die „Kubeflow on AWS“-Distribution von AWS Labs als Grundlage, die wichtige Funktionen wie Jupyter Notebooks, Pipelines und Serving bereitstellt. Durch die Implementierung von GitHub Actions und Terraform haben wir eine effiziente Bereitstellung der Entwicklungsumgebung sowie der Produktionsumgebung ermöglicht.

Um den gesamten Lebenszyklus des Machine Learnings optimal zu unterstützen, haben wir eigene Werkzeuge integriert. Dazu gehört unter anderem MLFlow zur Verfolgung von Experimenten, Überwachung und Protokollierung. Darüber hinaus haben wir eine Mehrmandantenfähigkeit und Profilverwaltung integriert, um nahtlos in die bestehende Tool-Landschaft des Unternehmens zu passen. Eine Single Sign-On-Integration über Azure AD wurde ebenfalls umgesetzt, um den Zugriff zu vereinfachen und die Sicherheit zu gewährleisten.

Durch die von uns bereitgestellte Machine-Learning-Plattform konnte das Pharmaunternehmen erfolgreich 20 verschiedene Anwendungsfälle betreiben und skalieren. Gleichzeitig wurden die Kosten um die Hälfte reduziert. Die zentrale Plattform ermöglicht den Datenwissenschaftlern eine nahtlose Zusammenarbeit und einen effizienten Workflow. Mit Unterstützung von GPU-Berechnungen und automatischer Skalierung konnten rechenintensive Anwendungsfälle beschleunigt werden.

Die Implementierung der Kubeflow-basierten ML-Plattform hat es dem Unternehmen ermöglicht, die gesamte Bandbreite des Machine-Learning-Workflows abzudecken. Von der Konzeption und Entwicklung von Modellen bis hin zur Bereitstellung und Betrieb. Dadurch konnten die Datenwissenschaftler effektiver arbeiten und schneller qualitativ hochwertige Modelle erstellen.

Neugierig geworden? Lassen Sie uns zeigen, was uns von anderen Unternehmen unterscheidet und wie wir Ihnen helfen können, Ihre Ziele zu erreichen.