Minimum Viable Products
Ein MVP (Minimum Viable Products) ist eine Produktversion, die gerade genug Features aufweist, um bereits zu einem frühen Zeitpunkt von Kunden genutzt werden zu können. MVPs reduzieren die Markteinführungszeit und helfen dabei, früh Nutzerfeedback einzuholen. Letzteres kann damit von Beginn an in die Produktentwicklung einfließen. In der MVP-Entwicklung sollte rechtzeitig mit Produktivanforderungen gearbeitet werden. Das ermöglicht die spätere Erweiterung zu einem Vollprodukt. Sowohl der Code als auch die Infrastruktur sollten dementsprechend gestaltet sein.
Continuous Integration und Continuous Delivery
Continuous Integration/Continuous Delivery (CI/CD) ist eine Methode, die das strukturierte Bereitstellen von Bugfixes und neuen Funktionalitäten ermöglichen soll. Der CI/CD-Prozess sorgt dafür, dass die Arbeit von vielen Teammitgliedern kombiniert wird. Dabei bewahrt er die lokale und globale Integrität des Codes. Continuous Delivery macht Verbesserungen und Erweiterungen der Funktionen schnell für die Nutzer zugänglich. Machine-Learning-Projekte stehen jedoch im Gegensatz zur klassischen Softwareentwicklung, da sie zu Beginn oft durch eine längere lokale Experimentierphase gehen und aufgrund dessen oft sehr skriptlastig sind. CI/CD ist wohl der einzige Ansatz, der die Betriebssicherheit der ML-Lösung im Speziellen und der Applikation im Allgemeinen sicherstellen kann, denn dadurch können sicherheitskritische Updates zu jeder Zeit eingearbeitet werden.
Schrittweise produktiv
Die Software in eine Reihe von Pre-Production-Umgebungen auszurollen, hat sich in der Mainstream-Software-Entwicklung als Best Practice durchgesetzt. Im Zuge dessen wird die Software unter algorithmischen, infrastrukturellen und kommerziellen Gesichtspunkten geprüft, bevor eine produktive Bereitstellung erfolgt. Bei ML-Produkten ist das Ziel am Ende oft nicht klar und Entscheidungen über Maßnahmen zur Einrichtung entsprechender Umgebungen werden verzögert. Das frühzeitige Einrichten von DEV (Development)-, QA ( Quality Assurance)- und PROD (Production)-Umgebungen ist grundlegend für die reibungslose Entwicklung eines Machine-Learning-Produkts.