Anaconda übernimmt Outerbounds, um die Enterprise-AI-Entwicklung zu vereinen

Anaconda hat Outerbounds übernommen, zwei Schichten des Enterprise-AI-Ökosystems zusammengebracht, die historisch fragmentiert waren: Entwicklungsumgebungen und Produktionsorchestrierung.

Im Kern spiegelt sich dieser Schritt in einer Veränderung wider, wie AI-Systeme aufgebaut werden. Anstatt Modelle als einfache Komponenten in traditionelle Software zu integrieren, entwerfen Unternehmen nun Anwendungen, in denen das Modell im Zentrum steht. Diese Veränderung hat eine große Lücke zwischen Experimentierung und Produktion aufgedeckt, die diese Übernahme offensichtlich schließen soll.

Von Python-Fundament zu vollständigem AI-Lebenszyklus

Anaconda war lange der Ausgangspunkt für Data-Science- und AI-Arbeit, insbesondere in Python. Die Plattform ist darauf ausgerichtet, Pakete, Abhängigkeiten und Umgebungen zu verwalten, um die Reibung für Entwickler zu reduzieren und gleichzeitig Sicherheit und Reproduzierbarkeit zu gewährleisten. Sie bietet Teams Zugang zu Tausenden von vorab geprüften Bibliotheken und Tools, sodass sie schnell vorankommen können, ohne ständig Kompatibilitätsprobleme oder versteckte Risiken zu debuggen.

Was sie traditionell nicht besaß, war die volle Reise jenseits dieses Startpunkts. Sobald Modelle erstellt sind, benötigen Unternehmen noch die Koordination von Workflows, die Skalierung von Compute-Ressourcen, die Verfolgung von Experimenten und die Verwaltung von Bereitstellungen über zunehmend komplexe Infrastrukturen.

Dort kommt Outerbounds ins Spiel.

Was Outerbounds zur Gleichung hinzufügt

Outerbounds wurde entwickelt, um die operationale Seite des maschinellen Lernens zu lösen. Die Plattform, die auf dem Open-Source-Metaflow-Framework basiert, das ursprünglich bei Netflix entwickelt wurde, konzentriert sich auf die Ausführung von AI-Systemen in Produktionsumgebungen.

Anstatt nur Code auszuführen, verwaltet sie den gesamten Lebenszyklus von maschinellen Lern-Workflows. Dazu gehören die Koordination von Multi-Schritt-Pipelines, die Verfolgung von Experimenten über die Zeit, die Verwaltung von Datenartefakten und die Verteilung von Workloads über Cloud- oder Hybrid-Infrastrukturen. Das System ist darauf ausgelegt, mit jeder Infrastruktur zu funktionieren, die ein Unternehmen bereits nutzt, was es für Organisationen attraktiv macht, die Flexibilität anstelle einer Bindung an einen einzelnen Cloud-Anbieter bevorzugen.

Dies ist nicht nur eine Frage der Automatisierung. Es geht darum, komplexe AI-Systeme beobachtbar und wiederholbar zu machen, was kritisch wird, sobald Modelle von Prototypen zu Systemen übergehen, die kontinuierlich operieren und evolvieren.

Warum diese Kombination wichtig ist

Die Kombination von Anaconda und Outerbounds schafft einen kontinuierlicheren Pfad von der Experimentierung zur Produktion.

Anstatt dass Entwickler Modelle in einer Umgebung erstellen und sie dann an ein vollständig anderes Set von Tools für die Bereitstellung übergeben, ermöglicht die fusionierte Plattform, dass diese Stadien innerhalb desselben kontrollierten Ökosystems existieren. Diese Kontinuität reduziert die Reibung, aber wichtiger noch, sie reduziert das Risiko. AI-erzeugter Code nimmt rapide zu, und mit ihm kommt eine höhere Rate von Fehlern und unsicheren Abhängigkeiten. Die Verwaltung dieser Risiken erfordert Sichtbarkeit über den gesamten Lebenszyklus, nicht nur in isolierten Stadien.

Durch die Integration von sicheren Umgebungen, Abhängigkeitsverwaltung, Orchestrierung und Governance in ein System ist die Plattform in der Lage, die wachsende Komplexität von AI-nativen Anwendungen zu bewältigen, ohne dass Teams ihre Workflows von Grund auf neu aufbauen müssen.

Die breitere Verschiebung in der AI-Infrastruktur

Diese Übernahme unterstreicht auch einen größeren Trend: die Konsolidierung des AI-Tool-Stacks.

Unternehmen haben in den letzten Jahren Sammlungen von Tools zusammengestellt, um unterschiedliche Teile des AI-Lebenszyklus zu bewältigen. Dieser Ansatz funktioniert im kleinen Maßstab, wird aber fragil, sobald Systeme komplexer und kritischer für Geschäftsoperationen werden. Die Branche bewegt sich nun in Richtung Plattformen, die diese Schichten vereinen, während Teams gleichzeitig die Kontrolle über ihre Infrastruktur behalten können.

Die Herausforderung besteht darin, Integration mit Flexibilität zu balancieren. Organisationen wollen ein gestreamtes System, sind aber zunehmend misstrauisch gegenüber einer Bindung an Ökosysteme, die von einer Handvoll dominanter Anbieter kontrolliert werden.

Was diesen Schritt bemerkenswert macht, ist, dass sowohl Anaconda als auch Outerbounds historisch die Offenheit und die Unabhängigkeit von der Infrastruktur betont haben. Wenn diese Philosophie in die kombinierte Plattform übernommen wird, deutet sie auf ein Modell hin, in dem Unternehmen ihre AI-Workflows konsolidieren können, ohne die Kontrolle über den Ort und die Art und Weise, wie diese Systeme laufen, aufzugeben.

Diese Balance dürfte letztendlich einer der bestimmenden Faktoren dafür sein, wie die Enterprise-AI-Infrastruktur in den nächsten Jahren evolviert.