The last couple of years the trend within the software industry has been to releasesmaller software updates more frequent, to overcome challenges and increase flexibility, to alignwith the swiftly changing industry environment. As an effect, we now see companies moving over tocapitalizing on subscriptions and incremental releases instead of charging for upgrades. By utilizingneo-institutional theory and Oliver’s (1991) strategic response theory, an enterprise systemsvendor’s response to the emerging DevOps trend can be determined.

Migration to the cloud has been a popular topic in industry and academia in recent years. Despite many benefits that the cloud presents, such as high availability and scalability, most of the on-premise application architectures are not ready to fully exploit the benefits of this environment, and adapting them to this environment is a non-trivial task.Therefore, many organizations consider a gradual process of moving to the cloud with Hybrid Cloud architecture. In this paper, the author is making an effort of analyzing particular enterprise case in cloud migration topics like cloud deployment, cloud architecture and cloud management.This paper aims to identify, classify, and compare existing challenges in cloud migration, illustrate approaches to resolve these challenges and discover the best practices in cloud adoption and process of conversion teams to the cloud.

Die Digitalisierung von Produkten und Dienstleistungen durch die Integration moderner Informations- und Kommunikationstechnologien wird in Wissenschaft und Praxis intensiv und anhand diverser Modelle diskutiert. Smart Service Systeme, als Gegenstand dieser Diskussion, skizzieren den Einsatz „intelligenter“ Produkte (sog. „Smart Products“) in flexibilisierten Dienstleistungssystemen, mit dem Ziel, sensorisch erfasstes Kontextwissen zur automatisierten Anpassung von Leistungen an individuelle Kundenbedürfnisse zu nutzen. Dieses ambitionierte Ziel birgt eine Reihe von Forschungsaufgaben für die Wirtschaftsinformatik (WI). Denn neben den diversen gestalterischen Herausforderungen, die für die Entwicklung einzelner Bestandteile zu lösen sind, ist gerade die Verknüpfung einzelner Forschungsperspektiven, wie dem Service Systems Engineering oder der Data Science, eine Herausforderung, in der die WI als Vermittlerin auftreten kann. Die vorliegende Dissertation untersucht vor diesem Hintergrund Smart Service Systeme als Modell für datengetriebene Wertschöpfung im Maschinen- und Anlagenbau und erarbeitet Wissen in vier Bereichen: (1) der Identifikation von domänenspezifischen Anforderungen an die zugrundeliegenden Informationssysteme, (2) der Integration von produkt- und dienstleistungsbezogenen Datenströmen, (3) der Verfolgung von herstellerübergreifenden Plattformlösungen für den kontinuierlichen Betrieb und das Management von Smart Services und (4) dem Kontexttransfer entwickelter Lösungen in weitere Domänen. Die Arbeit generiert auf diese Weise anwendungsorientiertes Wissen über die Entwicklung und den Einsatz von Smart Service Systemen im Maschinen- und Anlagenbau. Auf übergeordneter Ebene entsteht ein Beitrag zur bislang ausstehenden Etablierung einer gemeinsamen Gestaltungsgrundlage zwischen beteiligten Disziplinen, in dem demonstriert wird, wie eine gemeinsame Entwicklung zukünftiger, datengetriebener Wertschöpfungssysteme gelingen kann.

The machine learning (ML) industry has taken great strides forward and is today facing new challenges. Many more models are developed, used and served within the industry. Datasets that models are trained on, are constantly changing. This demands that modern machine learning processes can handle large number of models, extreme load and support recurring updates in a scalable manner. To handle these challenges, there is a concept called model serving. Model serving is a relatively new concept where more efforts are required to address both conceptual and technical challenges. Existing ML model serving solutions aim to be scalable for the purpose of serving one model at a time. The industry itself requires that the whole ML process, the number of served models and that recurring updates are scalable. That is why this thesis presents an open-source framework for large-scale ML model serving that aims to meet the requirements of today’s ML industry. The presented framework is proven to handle a large-scale ML model serving environment in a scalable way but with some limitations. Results show that the number of parallel requests the framework can handle can be optimized. This would make the solution more efficient in the sense of resource utilization. One avenue for future improvements could be to integrate the developed framework as an application into the open-source machine learning platform STACKn.