Was hat es mit den ganzen Ops auf sich?

DevOps, DataOps, MLOps – die Zahl der verschiedenen „Ops“-Kombinationen scheint im letzten Jahr geradezu explodiert zu sein. Es gibt Manifeste, Meetings, viele Blogbeiträge und Forschungsartikel über diese verschiedenen Ansätze.

Um sich über die Terminologie klar zu werden, halte ich es für gut, zu definieren, worüber wir sprechen. Zunächst einmal ist DevOps eine Reihe von Praktiken, die die Softwareentwicklung (Dev) und den Betrieb der Informationstechnologie (Ops) mit dem Ziel kombinieren, den Lebenszyklus der Systementwicklung zu verkürzen und eine kontinuierliche Bereitstellung mit hoher Softwarequalität zu gewährleisten (Wikipedia). Ziel ist es, agile Softwareentwicklungspraktiken mit einer kontinuierlichen Bereitstellung zu kombinieren, um einen konstanten Fluss neuer Funktionen und einen daraus resultierenden Mehrwert für die Kunden zu erzielen. Bei der kontinuierlichen Bereitstellung können neue Funktionen eingeführt werden, wann immer sie bereit sind, die Auswirkungen gemessen und das Feedback für den nächsten (schnellen) Entwicklungszyklus genutzt werden.

DataOps ist eine automatisierte, prozessorientierte Methodik, die von Analyse- und Datenteams eingesetzt wird, um die Qualität der Datenanalyse zu verbessern und die Zykluszeit zu verkürzen (Wikipedia). Das klingt zwar ganz anders als DevOps, ist aber in den meisten Produktunternehmen eng mit den Produkten verknüpft, die im Feld eingesetzt werden. Folglich konzentriert sich die Datenanalyse in erster Linie auf F&E-Teams, die wissen müssen, ob die beabsichtigten Ergebnisse ihrer Entwicklungsanstrengungen als Teil der kontinuierlichen Bereitstellungspipeline auch tatsächlich erreicht werden.

Schließlich ist MLOps eine Praxis für die Zusammenarbeit und Kommunikation zwischen Datenwissenschaftlern und Fachleuten aus dem operativen Bereich, um den Lebenszyklus des maschinellen Lernens (oder Deep Learning) in der Produktion zu verwalten (Wikipedia). Während Datenwissenschaftler traditionell ein Modell auf der Grundlage eines Datensatzes entwickeln und dann mit ihrem Leben weitermachen, werden ML/DL-Modelle derzeit in vielen Systemen aufgrund von Änderungen der Daten oder neuen algorithmischen Erkenntnissen ständig weiterentwickelt und müssen ebenfalls häufig eingesetzt werden. Sobald sie eingesetzt werden, müssen sie überwacht werden, um sicherzustellen, dass Modelle, die beim Training besser abschneiden, auch im Betrieb besser funktionieren.

In einer früheren Kolumne habe ich das HoliDev-Modell vorgestellt (siehe Abbildung). Jedes der „Ops“ entspricht einer der drei Arten von Entwicklung, die im Gange ist. Das Erstaunliche ist natürlich, dass „Ops“ für „Operations“ steht, und der Schlüssel dazu ist, sich daran zu erinnern, dass es für jedes System, Produkt oder jede Lösung nur eine Operationsfunktion gibt, die sich darum kümmert. Dev, Data und ML müssen also alle mit demselben Ops integriert werden.

Das HoliDev-Modell

Abschließend lässt sich sagen, dass alles, woran Sie arbeiten, in denselben Abläufen zusammenlaufen muss und dass Sie daher in [funktionsübergreifenden Teams](https://bits-chips.nl/artikel/focus-on-outcomes-for-cross-functional-teams/) arbeiten müssen, um sicherzustellen, dass Sie die gewünschten Ergebnisse erzielen. Das Wichtigste ist jedoch, dass eine Aktivität, die dem Kunden einen Mehrwert bietet, es verdient, häufig durchgeführt zu werden. Nur unwichtige Aufgaben werden jährlich oder noch seltener erledigt. Denken Sie also darüber nach: Wie können Sie bei allen wertschöpfenden Aktivitäten und Prozessen in Ihrem Unternehmen die Zykluszeit erhöhen und Ihre eigene „Ops“-Einrichtung schaffen, wo es am wichtigsten ist?