In vielen modernen Unternehmen sind Ticketsysteme unerlässlich, um Arbeitsprozesse zu organisieren und zu verfolgen. Dennoch kommen Anfragen, Probleme oder Aufgaben häufig noch per E-Mail bei den betreffenden Abteilungen an.

Mehrwert: Effizienzsteigerung durch intelligente Automatisierung

Durch den Einsatz von LLMs und Jira Automation können Unternehmen nicht nur Zeit und Ressourcen sparen, sondern auch die Genauigkeit und Konsistenz der Verarbeitung sicherstellen. Wichtige Aspekte werden zuverlässig erkannt und die relevanten Felder in Jira automatisch befüllt. So kann das Team sich auf die wirklich wichtigen Aufgaben konzentrieren, während repetitive Arbeiten intelligent und effizient durch das System abgedeckt werden.

KI für Jira Automations bietet damit insbesondere die folgenden Vorteile:

• Automatisierte Klassifizierung der eingehenden Mails

• Auslesen von Kontext-Informationen & Prüfung mithilfe von Assets

• Mitarbeitende können sich auf andere Kernaufgaben oder um Problemlösungen kümmern, statt viel Zeit auf die manuelle Arbeit der Sichtung eingehender Mails zu verschwenden

• Schnelleres Erkennen von Sicherheitslücken und damit auch weniger Ausfallrisiko

Das Kraftpaket 405B

Llama 3.1 405B ist ein bahnbrechendes Modell, das als erstes KI-Modell mit Open Weight mit der Leistung von Closed-Source-Giganten wie GPT-4 und Claude 3.5 Sonnet mithalten kann. Mit dieser Entwicklung wird die Kluft zwischen offenen und geschlossenen Modellen deutlich verringert und der Zugang zu modernsten KI-Funktionen demokratisiert. Die Offenheit von Llama 3.1 ermöglicht es der Community, das Modell selbst zu verfeinern und anzupassen, was eine Welle von spezialisierten, leistungsstarken Modellen auslösen könnte, die auf verschiedene Bedürfnisse zugeschnitten sind.

Das maschinelle Lernen (ML) hat in den letzten Jahren ein explosionsartiges Wachstum erlebt. Da Unternehmen zunehmend ML-Modelle einsetzen, um den unternehmerischen Mehrwert zu steigern, ist der Bedarf an robusten Verfahren für den Betrieb von maschinellem Lernen (Machine Learning Operations, MLOps) von größter Bedeutung. MLOps umfassen die Tools und Prozesse, die für eine effiziente Handhabung des gesamten Lebenszyklus des Maschinellen Lernens erforderlich sind: von der Datenerfassung, der Datenverarbeitung und dem Modelltraining bis hin zur Bereitstellung, Überwachung und Steuerung von Modellen.

Trends aufgreifen: Ein Blick in die Zukunft von MLOps

Die Systemlandschaft für MLOps entwickelt sich ständig weiter und es entstehen neue Technologien und Methoden, um die Komplexität der Verwaltung von ML-Modellen in der Produktion zu bewältigen. Nachstehend finden Sie einige wichtige Trends, die die Zukunft von MLOps prägen:

• Cloud-Native MLOps: Cloud Computing bietet eine skalierbare, kostengünstige Plattform für die Verwaltung von ML-Workloads. Cloud-basierte MLOps-End-to-End-Plattformen verschlanken den gesamten ML-Lifecycle, von der Datenspeicherung und den Rechenressourcen bis zum Modelltraining und der Bereitstellung. So können Unternehmen die Elastizität der Cloud nutzen, um schwankende Arbeitslasten zu bewältigen und effizient mit verschiedenen Modellen zu experimentieren.
  
  Beispiel für eine kommerzielle End-to-end-Plattform im Bereich MLOps ist Amazon SageMaker, eine cloudbasierte ML-Plattform zum Entwickeln, Trainieren, und zur Bereitstellung von ML-Modellen. Kubeflow fällt ebenfalls in die Kategorie dieser Plattformen, ist jedoch im Gegensatz zu Amazon SageMaker open-source und kann somit kostenlos benutzt werden.

• Automatisierte ML-Pipelines: Die Automatisierung sich wiederholender Aufgaben innerhalb des ML-Lebenszyklus, wie z. B. Dateneingabe, Datenvorverarbeitung, Feature Engineering und Modellauswahl, kann die Effizienz erheblich steigern und menschliche Fehler reduzieren. Automatisierte ML-Pipelines nutzen Tools wie AutoML (Automated Machine Learning), um verschiedene Phasen der Modellentwicklung zu automatisieren, sodass sich Data Scientists auf strategische Aufgaben wie die Entwicklung innovativer Modellarchitekturen und die Identifizierung neuartiger geschäftlicher Anwendungsfälle konzentrieren können.
  
  Beispielsweise bieten Azure mit Azure Automated Machine Learning, Amazon Web Services (AWS) mit AWS AutoML Solutions, oder Google Cloud Platform (GCP) mit AutoML Dienstleistungen in diesem Bereich an, was den Aufwand einer eigenen Implementierung dieser komplexen Methode minimiert.

• Kontinuierliche Integration und kontinuierliche Bereitstellung (CI/CD) für Maschinelles Lernen: Die Implementierung von CI/CD-Verfahren in MLOps stellt sicher, dass Änderungen an Modellen und Code nahtlos integriert und bereitgestellt werden. Dies fördert eine schnelle Experimentier- und Iterationskultur, die es Unternehmen ermöglicht, Modelle schnell an veränderte Geschäftsanforderungen und eine veränderte Verteilung von Daten anzupassen.

• Erklärbarkeit und Interpretierbarkeit von Modellen (XAI): Da ML-Modelle immer komplexer werden, wird das Begreifen ihrer Entscheidungsprozesse immer wichtiger. XAI-Techniken helfen zu erklären, wie die Modelle zu ihren Vorhersagen kommen, fördern das Vertrauen in die Modellergebnisse und ermöglichen es den Stakeholdern, mögliche Verzerrungen oder Fairnessprobleme zu erkennen.
  
  Tools, die Sie dabei unterstützen können ML-Modelle erklärbarer und ihre Entscheidungen transparenter zu machen, sind z.B. Alibi Explain eine open-source Python Bibliothek, die auf die Interpretation und Einsicht von ML-Modellen abzielt, oder SHapley Additive exPlanations (SHAP) ein Ansatz aus der Spieltheorie, um die Ausgabe beliebiger ML-Modelle zu erklären.

• MLOps für Responsible AI: Die verantwortungsvolle Entwicklung und der Einsatz von KI-Modellen sind ein zentrales Anliegen. MLOps-Praktiken, die die Prinzipien Fairness, Rechenschaftspflicht, Transparenz und Ethik (Microsofts Forschungsgruppe FATE beschäftigt sich beispielsweise mit diesem Themengebiet) in den gesamten Lebenszyklus von KI-Modellen einbeziehen, sind unerlässlich, um sicherzustellen, dass die Modelle unvoreingenommen sind, unbeabsichtigte Folgen vermieden werden und die geltenden gesetzlichen Bestimmungen eingehalten werden.
  
  Ein Beispiel für eine solche Rechtsvorschrift ist der kürzlich vom Europäischen Parlament verabschiedete AI Act , ein „Rechtsrahmen für KI, der die Risiken der KI angeht und Europa in die Lage versetzt, weltweit eine führende Rolle zu spielen“. Bei dem Unterfangen verantwortungsvoll und sicher KI zu gestalten, können beispielsweise Arthur und Fiddler herangezogen werden.

• Integration mit DevOps: Die Anpassung von MLOps-Praktiken an bestehende DevOps-Workflows kann eine einheitlichere Entwicklungsumgebung schaffen. Dies fördert die Zusammenarbeit zwischen Data Scientists, ML und Software Engineers und führt schließlich zu einem schlankeren und effizienteren Softwareentwicklungs-Lebenszyklus (SDLC), der maschinelles Lernen mit einschließt.

• Bedeutung von datengesteuerter KI und DataOps: Daten sind das Lebenselixier von ML-Modellen. DataOps-Praktiken, die die Datenqualität, -verfügbarkeit und -sicherheit während des gesamten ML-Lebenszyklus sicherstellen, sind entscheidend für die Leistungsfähigkeit der Modelle und die Zuverlässigkeit des gesamten Systems. DataOps kombiniert Automatisierung, Zusammenarbeit und agile Praktiken, um die Geschwindigkeit, Zuverlässigkeit und Qualität der Daten zu verbessern, die durch Ihr gesamtes Unternehmen fließen. Mit diesem Ansatz können Sie schneller Erkenntnisse aus Ihren Daten gewinnen, datengesteuerte Entscheidungen effektiver treffen und die Qualität und Leistung Ihrer Machine Learning-Modelle auf der Grundlage dieser Daten verbessern.

• Fokus auf Sicherheit: Mit der zunehmenden Verbreitung von ML-Modellen wird es immer wichtiger, sie vor potenziellen Angriffen zu schützen. MLOps-Praktiken, die Sicherheitsüberlegungen in den gesamten Lebenszyklus des Modells integrieren, sind unerlässlich, um Risiken wie Data Poisoning, gegnerische Angriffe und Modelldiebstahl zu verhindern.

Künstliche Intelligenz (KI; Artificial Intelligence = AI) ist eines DER aktuellen Schlagwörter und beeinflusst nahezu jeden Bereich in unserem Alltag. Als Teilgebiet der Informatik und aufgrund der Digitalisierung der letzten Jahre, hat sich KI zu seinem sehr lebendigen Produkt entwickelt.

Dieser rasante Fortschritt scheint gerade erst Fahrt aufzunehmen und beeinflusst uns doch schon in so vielen Bereichen – von der Suche nach dem schnellsten Weg, über die nächste Serienempfehlung auf einem Streaming-Dienst bis hin zu bereits existierenden Smart-Home Geräten. Überall machen es uns die KI-Algorithmen leichter. Das hat auch zur Folge, dass sich immer mehr Unternehmen und Start-Ups auf die Technologie spezialisieren oder sich zumindest in dessen Bereich weiterentwickeln.

So auch Atlassian, der australische Anbieter von Softwarelösungen für Softwareentwickler mit seiner Atlassian Intelligence (auch AI genannt).

Ab dem 6. Mai wird Atlassian Intelligence automatisch für alle Produkte der Premium- und Enterprise-Pläne aktiviert.

Hier geht es zum Atlassian Rechner.