Nicht immer möchte man mit externen Cloud-Anbietern arbeiten, wenn es um das Machine Learning geht, gerade im Enterprise-Umfeld wünschen sich Kunden nämlich oftmals mehr Kontrolle über die Server-Infrastruktur. Die Projektanforderungen, in die ML-Lösungen integriert werden sollen, können dabei von Implementierungen in einer eigenen Cloudlösung bis hin zu traditionelle Server-Infrastrukturen reichen. Und Java ist ganz einfach nach wie vor die verbreitetste Plattform für Enterprise-Server-Systeme. Das Hinzufügen einer neuen Sprache oder eines neuen Frameworks in derartige Projekten ist allerdings nicht nur umständlich, sondern erhöht außerdem sowohl Risiko als auch Kosten. Warum sollte man das also machen?

Dieser Frage ging Christoph Henkelmann in seiner Session auf der ML Conference 2017 nach und erklärt, wie man Tensorflow-Modelle in Java-Enterprise-Server-Umgebungen anwendet, zusammen mit realitätsnahen Integrationsbeispielen gängiger Server-Frameworks wie Spring und Apache CXF. Natürlich ist es am Ende nämlich doch so, dass auch in solchen Umgebungen mit TensorFlow gearbeitet werden kann und das in vielen Fällen sinnvoll ist! Die Session steht im oben eingebundenen Video vollständig zum Ansehen bereit.

Der Speaker: Christoph Henkelmann