Der j\u00fcngste Observability-Bericht von New Relic kommt zu dem Ergebnis, dass etwa ein Viertel der KI-Workloads in Unternehmen ohne angemessene \u00dcberwachung im Produktivbetrieb l\u00e4uft. F\u00fchrende Vertreter von Datenplattformen in der DACH-Region best\u00e4tigen dies: Der Druck, KI-Funktionen auf den Markt zu bringen, ist gr\u00f6\u00dfer geworden als die verf\u00fcgbaren Tools und das Fachwissen, um diese nach ihrer Inbetriebnahme zu \u00fcberwachen.<\/p>\n
Der Bericht erscheint zeitgleich mit einem F\u00fchrungswechsel. Nandini Ramani \u00fcbernimmt die Position der Gesch\u00e4ftsf\u00fchrerin und erbt ein Produktportfolio, das genau auf diese \u00dcberwachungsl\u00fccke ausgerichtet ist. Unternehmen, die KI in ihre Kerngesch\u00e4ftsprozesse integrieren, ben\u00f6tigen Fachleute, die ihnen Aufschluss dar\u00fcber geben k\u00f6nnen, wie sich ihre Modelle in der Produktion tats\u00e4chlich verhalten.<\/p>\n
Fachwissen im Bereich Observability taucht mittlerweile als zentrale Anforderung in den Stellenbeschreibungen f\u00fcr Plattformingenieure auf, die wir erhalten. Kunden w\u00fcnschen sich Kandidaten, die eine Br\u00fccke zwischen Data-Science-Teams und der Infrastruktur schlagen \u2013 jemanden, der sowohl die ML-Pipeline als auch die Produktionsumgebung so gut versteht, dass er wei\u00df, was instrumentiert werden muss und warum.<\/p>\n
Die traditionelle Beobachtbarkeit hat sich im Zusammenhang mit Webanwendungen und Microservices entwickelt. Ihre Anwendung auf KI-Workloads, bei denen die Ergebnisse probabilistisch sind und Fehlermodi schwerer zu definieren sind, erfordert ein anderes Denkmodell. Bewerber, die diese Arbeit tats\u00e4chlich bereits geleistet haben, heben sich in Vorstellungsgespr\u00e4chen sofort von denen ab, die lediglich dar\u00fcber gelesen haben.<\/p>\n
Ein Leiter des Bereichs Datenplattformen bei einem M\u00fcnchner Hersteller berichtete uns letzten Monat, dass die Suche nach einer Person, die die Empfehlungsmaschine des Unternehmens ordnungsgem\u00e4\u00df instrumentieren konnte, doppelt so lange dauerte wie die Einstellung der ML-Ingenieure, die sie entwickelt hatten. Das Fachwissen ist zwar vorhanden, aber es befindet sich bei Personen, die es bei Hyperscalern oder Anbietern von Observability-L\u00f6sungen erworben haben. Um diese zu erreichen, muss man passive Kandidaten ansprechen, die in solchen Umgebungen herausragende Leistungen erbringen.<\/p>\n
Personalverantwortliche, die Teams f\u00fcr Datenplattformen aufbauen, sollten bei der Erweiterung um KI-F\u00e4higkeiten die Beobachtbarkeit als oberste Anforderung betrachten. Kandidaten, die eine Br\u00fccke zwischen Inferenz-Pipelines und der \u00dcberwachung im Produktivbetrieb schlagen k\u00f6nnen, sind besonders gefragt, und die Suche erfordert es, \u00fcber die \u00fcblichen Bewerberkreise hinauszuschauen.<\/p>\n