#79: Data Science on the Edge: Modelle in verteilten Umgebungen

Modelle auf Edge-Devices zu bringen ist kein Standard-Deployment – das zeigt sich im gesamten Life-Cycle: von der Datenpipeline über das Feature-Engineering bis zur Modellüberwachung. In dieser Folge diskutieren wir, wie sich gängige MLOps-Ansätze verändern, wenn Netzwerk, Datenschutz oder Ressourcen limitiert sind. Wir sprechen über typische Architektur-Entscheidungen, sinnvolle Deployment-Strategien und warum Murphys Law auf Edge-Setups besonders gut zutrifft. Am Ende bleibt die Erkenntnis: ohne triftigen Grund bleibt man besser in der Cloud.

**Zusammenfassung**

Edge Computing verändert die Art und Weise, wie Modelle in der Data Science implementiert werdenOffline-Serving ist der einfachste Fall, während Online-Serving komplexere Anforderungen hatLatenz ist ein kritischer Faktor bei der Nutzung von Edge-DevicesDatenbeschaffung kann über Push- oder Pull-Ansätze erfolgenFeature Engineering muss an die Einschränkungen von Edge-Devices angepasst werdenModelltraining kann sowohl zentral als auch lokal auf Edge-Devices erfolgenCI/CD-Prozesse müssen an die spezifischen Anforderungen von Edge-Devices angepasst werdenMonitoring ist entscheidend, um die Leistung von Modellen auf Edge-Devices zu bewertenDie Qualität der Daten und der Sensoren hat einen direkten Einfluss auf die ModellleistungEin erfolgreicher Einsatz von Edge Computing erfordert enge Zusammenarbeit zwischen Data Science und Engineering-Teams

**Links**

#54: Modell-Deployment: Wie bringe ich mein Modell in die Produktion? https://www.podbean.com/ew/pb-hhhwu-16b91f3

📬 Fragen, Feedback oder Themenwünsche?Schreibt uns gern an: [email protected]

Wir machen Data Science. Und in unserem Podcast Data Science Deep Dive reden wir darüber.

Du bist ebenfalls Data Scientist oder interessierst dich für Daten, ML und AI? Dann ist dieser Podcast für dich. Wir teilen unsere Learnings aus über 180 Projekten, du bekommst Infos und Anregungen zu spannenden Themen rund um Daten.

Wir klären auf, geben Hinweise und teilen unsere Erfahrungen, die wir in über 10 Jahren als Data Scientists im B2B Bereich gesammelt haben.
Wir decken auf, was wirklich hinter den Hypes und Trends der Data Science Branche steckt.
Wir hinterfragen, was ein Data Science Projekt erfolgreich macht und welche Faktoren es zum Scheitern verurteilen.

• Anzahl der Folgen: 81
• Letzte Folgen: 2025-09-04
• Technologie

Wo kannst du zuhören?