FMCG

Transformation des ML-Workflows durch Standardisierung und Automatisierung

MLOps

Client

Globales FMCG//CPG-Unternehmen

Date

Services

MLOPs

Technologies

GCP, Azure, Databricks

Challenge

Angesichts der steigenden ML-Anforderungen hatte unser Kunde mit einer fragmentierten Umgebung für maschinelles Lernen in mehreren Teams zu kämpfen. Der Mangel an Standardisierung führte zu unnötiger Komplexität und erforderte für jedes Projekt fundiertes Fachwissen sowohl in den Bereichen Engineering als auch DevOps. Hohe Anschaffungskosten, mehrere Cloud-Umgebungen und die Notwendigkeit, konsistente technische Standards aufrechtzuerhalten, sorgten für weitere Herausforderungen, was die ML-Bereitstellung umständlich machte und Skalierbarkeit und Innovation behinderte.

‍

Our approach

Um diese Probleme zu lösen, haben wir ein umfassendes MLOps-Paket für die Erstellung von ML-Pipelines entwickelt — eine Abstraktionsebene zur Vereinfachung der ML-Systembereitstellung im gesamten Unternehmen. Die Lösung ist Cloud-unabhängig und vollständig anpassbar und zielte auf Plattformen wie GCP Vertex AI, Azure ML und Databricks ab. Sie verwendete Infrastructure-as-Code-Prinzipien und ließ sich nahtlos in GitHub Actions und CI/CD-Pipelines integrieren. Wir haben ein intuitives, transparentes Framework entwickelt, das einen standardisierten Ansatz bot, der Konsistenz ermöglichte und sich gleichzeitig an spezifische Bedürfnisse anpasste. Unsere Lösung machte hohe technische Standards für alle Teams zugänglich.

‍

The outcome

Unser MLOps-Paket wurde schnell zum Standardtool für den ML-Einsatz im gesamten Unternehmen. Dank seiner nahtlosen Integration und der Einhaltung von Best Practices wurde es sowohl von den Geschäfts- als auch von den ML-Teams nachdrücklich unterstützt. Die schnelle Einführung förderte einen einheitlichen Ansatz für ML-Workflows, der die Abläufe rationalisierte und gleichzeitig die Anpassung an die neuesten MLOp-Trends förderte. Die Lösung etablierte eine Kultur der Zusammenarbeit und Konsistenz, von der Teams im gesamten Unternehmen profitieren.

‍

Business Impact

Die MLOps-Transformation senkte die Kosten erheblich, indem die Infrastrukturanforderungen rationalisiert, die Kosten für den Projektstart gesenkt und die Abhängigkeit von spezialisiertem Fachwissen verringert wurden. Eine bessere Abstimmung zwischen Geschäfts- und ML-Teams führte zu schnelleren Reaktionen, besseren Ergebnissen und einem größeren Vertrauen in die Organisation. Durch die Einführung eines transparenten und standardisierten ML-Ansatzes haben wir die Kommunikation verbessert, die Zuverlässigkeit verbessert und sowohl technische als auch nichttechnische Stakeholder in die Lage versetzt, selbstbewusst an ML-Initiativen teilzunehmen.

‍