Minimum Viable Products (MVPs) unter Einbeziehung von produktiven Anforderungen entwickeln
Ein MVP 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, frühzeitig direktes 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 nutzen
Continuous Integration/Continuous Delivery (CI/CD) ist eine Methodik, die das strukturierte Bereitstellen von Bugfixes und neuen Funktionalitäten ermöglicht. Der CI/CD-Prozess sorgt dafür, dass die Arbeit von vielen Teammitgliedern effizient kombiniert wird. Dabei bewahrt er die lokale und globale Integrität des Codes. Continuous Delivery macht Verbesserungen und Erweiterungen der Funktionalität schnellstmöglich für die Nutzer zugänglich. Machine-Learning-Projekte gehen zu Beginn häufig durch eine längere lokale Experimentierphase und sind aufgrund dessen oft sehr skriptlastig. Das steht im Gegensatz zur traditionellen Softwareentwicklung, bei der sich CI/CD-Prozesse flächendeckend durchgesetzt haben. CI/CD ist der einzige Ansatz, der die Betriebssicherheit der ML-Lösung im speziellen und der Applikation im Allgemeinen sicherstellt, denn dadurch können sicherheitskritische Updates zu jeder Zeit eingearbeitet werden.
Die Produktivsetzung schrittweise angehen
Die Software in eine Reihe von Pre-Production-Umgebungen auszurollen, hat sich in der Mainstream-Software-Entwicklung längt 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 Endziel oft nicht klar und Entscheidungen über Maßnahmen zur Einrichtung entsprechender Umgebungen werden verzögert. Das frühzeitige Einrichten von DEV-, QA- und PROD-Umgebungen ist grundlegend für die reibungslose Entwicklung eines Machine-Learning-Produkts.
