Machine-Learning-basierte Systeme - Eine Einführung für Architekten

Machine Learning ist im Umfeld des Software Engineerings ein längst gesetztes Thema. Allerdings fehlen oft auf die Praxis orientierte Lösungsideen und -ansätze. Diese Lücke schließt ein Artikel, der sich explizit an Architekten wendet.

Zusammenfassung des Herausgebers

Machine Learning (ML) ist auf dem Vormarsch und viele Unternehmen fragen sich, wie sie von dieser Technologie profitieren können. Softwarearchitekten werden also immer öfter Systeme entwerfen müssen, in denen auch ML-Technologie steckt. Die Beschäftigung mit dem Thema ist aber häufig schwierig. Es ist zwar omnipräsent, wird aber meist entweder extrem abstrakt oder aber sehr algorithmisch, daten-zentriert, auch code-nah beleuchtet. Der Blick auf die Gesamtarchitektur von Systemen, die auf ML setzen, fehlt oft.

Warum man das lesen sollte

Es gibt unter IT-Architekten viel Unsicherheit darüber, wie sich Machine-Learning-Ansätze in die Gesamtarchitektur von IT-Systemen einfügen. Die Autoren wollen die Lücke in der bestehenden AI/ML-Literatur dazu schließen:

Wir möchten einen ersten Vorstoß wagen, das große Ganze (Big Picture) der Architektur ML-basierter Systeme zu beschreiben, indem wir eine Architektur-Sprache und -Systematik einführen.

Wenn wir über ML-basierte Systeme sprechen, geht es um Softwaresysteme signifikanter Größe, die aus bedeutend mehr als ML-Komponenten bestehen (d. h. ein isoliertes ML-Modell, mit dem experimentiert wird, gehört nicht dazu). Deshalb sind ML-basierte Systeme immer auch traditionelle Systeme, für die alle bekannten Methoden der Softwarearchitektur und des Software-Engineerings weiter gültig bleiben.

Oft wird in der Erklärung des Unterschieds zwischen traditionellen und ML-basierten Systemen auf die verwendeten Eingabe- und Ausgabedaten der Systeme fokussiert. Meist werden dabei jedoch Entwicklungszeit- und Laufzeitaspekte eines Systems miteinander vermischt:

"Genau genommen beschreiben diese Darstellungen das ML-basierte System in der Phase des Trainings, also der Modellbildung. Ist das Modell dann im System zur Laufzeit im Einsatz, gleicht die Verarbeitung der Daten aber wieder einem traditionellen System."

• Veröffentlicht: Dezember 2020
• Autoren: Dr. Dominik Rost (Fraunhofer IESE), Prof. Dr. Johannes Schneider (HTWG Konstanz), Dr. Matthias Naab (Fraunhofer IESE), Dr. Arne Johanson (XING Marketing Solutions GmbH)
• Details: OBJEKTspektrum 01/2021