Porsche

Data science, Automotive

Die Datenorientierung ist für viele Unternehmen ein Trend. Daten fließen überall hin und die Nutzung kann große Geschäftsvorteile bringen. Es kann für eine Vielzahl von Zwecken eingesetzt werden. Fast jeder Geschäftsprozess kann optimiert werden, aber um dies zu erreichen, müssen Sie die Beobachtung aufbauen und die Ergebnisse mit einer Art Metriken messen. Um diese zu produzieren, müssen Sie die Daten speichern und verarbeiten, um sinnvolle Muster zu finden. Das Finden von Mustern und die Vorhersage von Ergebnissen auf der Grundlage der gesammelten Daten - genau dafür wurde das maschinelle Lernen konzipiert.

PRÜFUNG & BERATUNG

Viele der Unternehmen haben eine Vielzahl von Machine-Learning-Modellen entwickelt, um Muster zu finden und Ergebnisse in den gesammelten Daten vorherzusagen. Nach mehreren Jahren stecken sie immer noch mit den in der Vergangenheit geschriebenen Legacy-Modellen fest, die Wartung erfordern und mit dem Technologiestapel zusammenhängen, in den sie eingebaut wurden. Die Technologie entwickelt sich weiter - vor ein paar Jahren war eine der gängigsten ML-Bibliotheken Theano, während derzeit Keras und vor allem Tensorflow die erste Wahl sind. Obwohl sich der Technologiestack mit seinen wichtigsten Werkzeugen weiterentwickelt, werden ML-Aspekte in der Regel so belassen, wie sie waren, vor allem, weil es einen enormen Aufwand bedeuten würde, alle Modelle neu zu schreiben und neu zu lernen. Die Aufrechterhaltung von zwei Technologiestacks und Architekturen - eine für die Hauptwerkzeuge und die zweite für ML-Aspekte - vervielfacht den erforderlichen Aufwand, verursacht zusätzliche Kosten und führt zu mehr Problemen, da die Einrichtung zu kompliziert ist. Ein weiteres damit zusammenhängendes Problem ist die Notwendigkeit, die Entwicklungsteams auf mehrere Technologien zu verteilen, ohne die Möglichkeit, sich weiterzuentwickeln und modernere Technologien zu verwenden.

IDEE

Codete hat eine IDEE zur Erstellung von Konvertern entwickelt, die es ermöglichen, ältere, bereits bewährte Modelle wiederzuverwenden und diese für neue Technologien anzupassen. Die IDEE dreht sich um das Schreiben eines voll funktionsfähigen Konverters, der ein komplett neues Modell erstellt, in einer anderen Sprache oder mit neueren Machine Learning-Bibliotheken. Für die Proof-of-Concept-Phase haben wir Keras- und Tensorflow-Bibliotheken als die heutzutage beliebtesten ausgewählt.

ENGAGIERTES TEAM

LÖSUNG

DLConverter ist eine Software, die auf die Konvertierung von Machine-Learning-Modellen abzielt, mit besonderem Schwerpunkt auf Deep-Learning-Untermengen. Sie strebt danach, portabel und sicher zu sein, indem sie die Prinzipien der Containerisierung über Docker nutzt, und einfach in der täglichen Nutzung, aber dennoch angenehm für das Auge der Benutzer. Wir haben eine Reihe von Python-Bibliotheken entwickelt, die in der Lage sind, Tensorflow-Modelle zu nehmen, diese zu verarbeiten und ein Modell in Keras zu erzeugen. Das ist genau das gleiche Modell, alle Ergebnisse sind die gleichen, aber wir haben es geschafft, eine verwendete Bibliothek zu ändern, ohne dass eine weitere Entwicklung oder ein Lernen nötig war. Das war genau das Ergebnis, das wir erreichen wollten - mit Hilfe unseres Konverters konnten wir ein Modell ohne zusätzliche Arbeit von einem Framework in das andere übersetzen. Mit solchen Konvertern können Sie alle veralteten, veralteten Modelle, die Ihr Unternehmen verwendet, durch modernere Modelle ersetzen, die besser zum aktuellen Tech-Stack passen. Dasselbe können und wollen wir auch mit anderen ML-Bibliotheken und -Frameworks machen. Die nächsten Ziele wären MXNet, um seine R-Anwendungen abzudecken und allgemeine Lösungen für Modelle zu integrieren, die den ONNX-Standards entsprechen, die mehrere Frameworks wie PyTorch oder Caffe abdecken würden. DLConverter ist für verteilte Teamarbeit geeignet, d.h. jedes Team kann an der spezifischen Technologie-zu-Technologie-Konvertierung arbeiten. Das liegt an der speziell für dieses Projekt entwickelten, hoch automatisierten Arbeitsumgebung. Dieser Workflow bringt die Möglichkeit einer schnelleren Feature-Entwicklung und verbessert die Zuverlässigkeit der Software.

MÖCHTEN SIE MEHR DARÜBER ERFAHREN?

Hinterlassen Sie uns Ihre E-Mail-Adresse und Sie werden bald von uns hören.