Wie Streamlit Ihnen helfen wird, Ihre Produkte für maschinelles Lernen zu nutzen

Der Übergang von Data-Science-Modellen von einem Proof-Of-Concept (POC) in einigen Notebooks zu einem Minimal Viable Product (MVP), das einen geschäftlichen Nutzen bietet, kann schwierig sein. Dafür kann es eine Vielzahl von Gründen geben:

• Der technische Aufwand für die Integration Ihres Modells in bestehende Systeme.
• Der langsame (oder nicht vorhandene) Feedback-Zyklus mit Ihren Benutzern, was zu einer sehr langsamen Durchlaufzeit für die letzten verbleibenden Optimierungen führt.
• Mangelndes Vertrauen Ihrer Benutzer in Ihr Modell, was dazu führt, dass Ihr erstaunliches Modell ungenutzt bleibt.

Um loszulegen, müssen Sie Streamlit installieren. Das können Sie mit den Befehlen pip oder pipenv unter Windows, macOS und Linux tun. Wir haben das selbst schon erlebt: Wir haben viel Zeit in die Entwicklung einer Data-Science-Anwendung gesteckt, nur um dann festzustellen, dass unsere Benutzer das Ergebnis nicht mochten und es nicht benutzen wollten... Auch wenn diese Probleme größtenteils prozessbedingt sind, gibt es Hilfsmittel, die helfen können, ihre Auswirkungen zu mildern oder zu reduzieren. Ein solches Tool ist Streamlit, ein einfaches, Python-basiertes Dashboarding-Tool.

Warum Streamlit?

In diesem Blogbeitrag stellen wir drei Anwendungen von Streamlit vor, die uns geholfen haben, Modelle für maschinelles Lernen zu produzieren und schnell vom POC zum MVP zu gelangen. Mit Streamlit können Entwickler datengesteuerte Webanwendungen mit attraktiven Benutzeroberflächen erstellen und bereitstellen. Außerdem geben wir Ihnen drei Tipps, die Ihnen den Einstieg in die Erstellung dieser Dashboards erleichtern.

Drei Wege, wie Streamlit Datenwissenschaftlern helfen kann, vom POC zum MVP zu gelangen

1. Streamlit als Hilfsmittel zur Vorhersage Wenn Ihre Benutzer mit Ihrem Modell durch Grafiken oder manuelle Interpretation der Vorhersagen interagieren, kann ein Streamlit-Dashboard für die Vorhersage nützlich sein. Die einfache und schnelle Erstellung und Bereitstellung von Anwendungen mit Streamlit macht es zu einer idealen Wahl für diesen Zweck. In einigen Anwendungsfällen gab es einen Kompromiss zwischen der Integration der Vorhersagen in eine bestehende React-basierte Web-App (was Front-End-Ingenieure erforderte) oder in ein neues Streamlit-Dashboard. Die Einrichtung einer neuen Streamlit-Anwendung brachte eine erhebliche Zeitersparnis mit sich. Die Datenwissenschaftler konnten das Produkt und die Visualisierungen iterieren, ohne dass sie Softwareentwicklungskapazitäten benötigten. Dies beschleunigte die Feedbackschleife mit den Endbenutzern. Sobald alle zufrieden waren, konnten die Vorhersagen in das Endprodukt integriert werden. Streamlit kann auch verwendet werden, um Dashboards für Vorhersagen zu erstellen und so das Benutzererlebnis zu verbessern. 2. Streamlit als Überwachungsinstrument Während des Entwicklungszyklus Ihres Modells verbringen Datenwissenschaftler und Benutzer Zeit mit der Entwicklung von Bewertungsmetriken. Diese Metriken werden verwendet, um zu prüfen, ob das Modell leistungsfähig ist, bevor es in Betrieb geht. Die Bewertung ist jedoch noch nicht alles. Wenn Sie zur Produktionsphase übergehen, müssen Sie über die Überwachung Ihres Modells nachdenken und diese einrichten. Streamlit ist für diesen Zweck hervorragend geeignet. Die einfache Erstellung aussagekräftiger Visualisierungen ermöglicht Dashboards, die sowohl das Data Science Team als auch die Benutzer nutzen können. Diese Interaktion hilft den Benutzern, das Modell besser zu verstehen und schafft Vertrauen. Darüber hinaus kann Streamlit zur Erstellung von Daten-Apps für Überwachungszwecke verwendet werden, die Einblicke in Echtzeit bieten und die Zuverlässigkeit des Modells verbessern. 3. Streamlit für die Bereitstellung von Modelleinblicken Sie können ein Dashboard einrichten, das mehr Einblicke in das Modell bietet als nur Leistungsmerkmale. Fügen Sie Visualisierungen zu den Eingabedaten oder Funktionen hinzu, für die Ihr Modell gerade Vorhersagen macht, sowie Informationen zu verschiedenen Formen der Modellabweichung. Diese Einbeziehung schafft Vertrauen und kann sogar dazu beitragen, dass sich die Benutzer am Debugging-Prozess beteiligen und so einen schnellen Feedback-Zyklus schaffen. Zu den Vorteilen von Streamlit-Apps für die Bereitstellung von Modelleinsichten gehören Benutzerfreundlichkeit, interaktive Visualisierungen und eine optimierte Feedbackschleife.

Warum Streamlit Webanwendungen einfach macht

Der Hauptvorteil von Streamlit ist, dass es auf Python basiert. Viele der während der Modellentwicklung erstellten Diagramme und Visualisierungen können mit minimalem Aufwand in einem Streamlit-Dashboard wiederverwendet werden. Mit Streamlit können Sie bereits geschriebenen Python-Code wiederverwenden, was im Vergleich zu nicht Python-basierten Tools eine erhebliche Zeitersparnis bedeutet. Sie können viele Aufgaben mit nur wenigen Codezeilen erledigen. Um zu beginnen, müssen Sie Streamlit mit dem Befehl pip install streamlit installieren. Nach der Installation können Sie Streamlit und andere notwendige Bibliotheken importieren, um Ihre Webanwendung zu erstellen. Sie können zum Beispiel import streamlit as st verwenden, um mit dem Hinzufügen von Text, Titeln, Überschriften und Visualisierungen zu Ihrer Anwendung zu beginnen. Das Erstellen einer neuen Datei für Ihre Streamlit-Anwendung ist ganz einfach. Sie können eine neue Datei namens streamlit_app.py erstellen und mit der Erstellung Ihrer Anwendung beginnen. Streamlit ermöglicht es Ihnen, Benutzeroberflächen mit nur wenigen Zeilen Code zu erstellen, so dass es auch für Personen ohne Front-End-Kenntnisse zugänglich ist. Streamlit konzentriert sich auf die Einfachheit und Zugänglichkeit bei der Bereitstellung von Machine Learning-Modellen. Es enthält Funktionen wie Authentifizierung und rollenbasierte Zugriffskontrollen, aber Unternehmen, die mit hochsensiblen Daten arbeiten, benötigen möglicherweise zusätzliche Sicherheitsmaßnahmen. Was die Skalierbarkeit betrifft, so ist Streamlit für die schnelle Erstellung von Prototypen und kleinen bis mittelgroßen Anwendungen geeignet. Allerdings kann es zu Leistungsproblemen kommen, wenn die Benutzerbasis wächst oder das Datenvolumen zunimmt. Streamlit lässt sich gut mit anderen Tools und Umgebungen für maschinelles Lernen wie TensorFlow, PyTorch und scikit-learn integrieren und ist damit ein vielseitiges Tool für die Integration verschiedener Aspekte eines Workflows für maschinelles Lernen in ein zugängliches Dashboard.

Möchten Sie Ihr eigenes Dashboard erstellen? Hier sind 3 Tipps, um mit nur wenigen Zeilen zu beginnen

1. Testen Sie zunächst das Infra-Setup Bevor Sie ein komplettes Dashboard erstellen, stellen Sie sicher, dass Sie einen Ort haben, an dem Sie es ausführen können, auf den Ihre Benutzer zugreifen können. Optionen für die Bereitstellung finden Sie im Streamlit-Forum.
2. Halten Sie es einfach und wissen Sie, wann Sie weitermachen müssen Streamlit eignet sich hervorragend für erste Vorhersagen und Benutzerinteraktionen. Nutzen Sie es in der POC- und MVP-Phase, aber seien Sie darauf vorbereitet, bei Bedarf zu komplexeren Lösungen überzugehen.
3. Erstellen Sie eine Hello-World Streamlit-Vorlage für Ihr Unternehmen. Die Bereitstellung einer Vorlage für Data Science-Teams kann Zeit und Frustration sparen. Diese Vorlage sollte sich um die technischen Teile kümmern und die Schritte dokumentieren, die notwendig sind, um eine App in Betrieb zu nehmen. Mit Streamlit können Sie Datenanwendungen ganz einfach mit Ihrem Team teilen und so eine reibungslose Zusammenarbeit und Bereitstellung gewährleisten.

Fazit

Wir glauben, dass Python-basierte Dashboarding-Tools wie Streamlit fantastisch sein können, wenn es darum geht, Ihren Nutzern ohne große Entwicklungsinvestitionen Ergebnisse und Erkenntnisse zu präsentieren. Dies kann den Iterationsprozess Ihrer ML-Anwendungen beschleunigen und Ihnen helfen, mit KI schneller Mehrwert zu schaffen. Möchten Sie wissen, wie wir Streamlit in der Praxis bei einem unserer Kunden eingesetzt haben? Sehen Sie sich unseren aufgezeichneten Vortrag auf der PyData Berlin 2022 an.