Aufbau einer MLOps-Plattform bei einem Chemiekonzern

Anforderungsanalyse

Vor der technischen Umsetzung steht die Anforderungsanalyse. Hier haben unsere [at]-Experten in Interviews und Workshops mit Data Scientists und sogenannten Citizen Data Scientists (also Chemiker:innen, die KI-Modelle fachlich nutzen) konkrete Arbeitsweisen, Bedürfnisse und Pain Points entlang des gesamten Entwicklungs- und Betriebsprozesses erhoben. 

Technische Umsetzung

Aus diesen Interviews ergaben sich über 60 dokumentierte User Stories als stabiles Fundament für die technische Plattform-Architektur. Darauf aufbauend führten unsere Expert:innen einen strukturierten Technologievergleich durch und formulierten konkrete Empfehlungen für die zukünftige Arbeitsumgebung der Data Scientists – von der Wahl zwischen Databricks und klassischen IDEs über die technische Ausgestaltung des Backends bis hin zur Auswahl des Frontends. Ausgewählte Optionen wurden anschließend mittels Rapid Prototyping praktisch validiert, um Entscheidungsrisiken zu reduzieren und die technische Umsetzbarkeit frühzeitig abzusichern. Auf dieser Basis entwickelten unsere Expert:innen eine zukunftsfähige MLOps-Architektur, die sich konsequent an bewährten Databricks-Best Practices orientiert.

Roadmap

Abschließend wurde eine konkrete Migrations-Roadmap für den Übergang von Azure zu Databricks abgeleitet. Diese berücksichtigt nicht nur technologische Aspekte, sondern auch notwendige Veränderungen in Arbeitsweisen, Governance und im Operating Model. Damit entstand ein klarer, realistisch umsetzbarer Pfad, um die neue Plattform nachhaltig im Unternehmen zu verankern und skalierbar zu betreiben.