Vom monolithischen ML-PoC zur flexiblen Architektur
Erste Versuche mit maschinellem Lernen führen aus Zeit- und Kostengründen häufig zu einem monolithischen Proof of Concept.
Langfristig sind diese nur schwierig erweiterbar und aufwändig in der Wartung. Kommen weitere Daten, Features, Anwendungsfälle, Modellversionen oder Clients hinzu, wächst der Berg an technischen Schulden unvermeidlich an.
In diesem Vortrag möchten wir unsere Erfahrungen teilen, wie ein solcher Monolith im laufenden Projekt schrittweise aufgebrochen und modularisiert werden kann, um eine flexibel erweiterbare, wartbare Architektur zu erhalten.