Model Deployment

Model Deployment ist der technische Prozess, ein trainiertes Machine-Learning-Modell aus einer Entwicklungsumgebung in den realen Einsatz zu überführen. Dazu gehören das Verpacken des Modells mit seinen Abhängigkeiten, der Aufbau einer Serving-Infrastruktur, die Erstellung von APIs für Ein- und Ausgabe, die Implementierung von Monitoring und Logging sowie die Etablierung von Update- und Rollback-Verfahren. Durch das Deployment wird aus einem Forschungsartefakt ein operatives System, das durch die zuverlässige und skalierbare Verarbeitung neuer Daten und die Erzeugung von Vorhersagen einen praktischen Nutzen liefert.

Geospatiale KI-Modelle werden je nach Anwendungsanforderungen nach unterschiedlichen Mustern bereitgestellt. Batch-Verarbeitungspipelines wenden Modelle auf neu verfügbare Satellitenbilder an und erzeugen dabei nach festem Zeitplan aktualisierte Landbedeckungskarten, Ergebnisse der Veränderungserkennung oder Objektinventare. Echtzeit-Inferenz-APIs liefern Vorhersagen auf Anfrage und ermöglichen interaktive geospatiale Anwendungen wie die spontane Klassifikation von durch Nutzer hochgeladenen Bildern. Edge Deployment platziert Modelle auf Drohnen, Satelliten oder Feldgeräten für latenzarme, verbindungsunabhängige Analysen. Streaming-Deployments verarbeiten kontinuierliche Daten von IoT-Sensoren für die Umweltüberwachung in Echtzeit. Serverless Deployment skaliert automatisch mit der Nachfrage, was bei variablen Arbeitslasten nützlich ist, etwa bei der Katastrophenreaktion, wo der Analysebedarf unvorhersehbar ansteigen kann.

Das Deployment geospatialer Modelle steht vor eigenen Herausforderungen. Satellitenbilder als Eingabedaten sind extrem groß und erfordern eine gekachelte Verarbeitung sowie das Zusammenfügen der Ausgaben, um vollständige Szenen zu verarbeiten. Multispektrale und zeitliche Eingabedaten benötigen Vorverarbeitungspipelines, die unterschiedliche Sensorformate und Koordinatensysteme verarbeiten können. Die Modellleistung muss auf geografischen Drift überwacht werden, bei dem die Genauigkeit sinkt, sobald Modelle auf Regionen oder Bedingungen treffen, die sich von ihren Trainingsdaten unterscheiden. Die Versionierung muss nicht nur die Modellgewichte erfassen, sondern auch die Vorverarbeitungslogik, den geografischen Umfang der Trainingsdaten und die Spezifikationen der Eingabesensoren, die sich auf die Vorhersagen auswirken.