MLOps

MLOps (Machine Learning Operations) bezeichnet die Praxis und die Werkzeuge, um Machine-Learning-Modelle zuverlässig vom Prototyp in den produktiven Betrieb zu überführen, dauerhaft zu betreiben und kontinuierlich zu verbessern. Sie überträgt Prinzipien aus DevOps (Continuous Integration, Continuous Deployment, Versionierung, Monitoring) auf die speziellen Anforderungen von ML-Systemen.

Der entscheidende Unterschied zu klassischer Software: Ein ML-Modell hängt nicht nur vom Code ab, sondern auch von den Trainingsdaten und den Hyperparametern. MLOps erweitert die Pipeline daher um Data Versioning, Experiment-Tracking, automatisiertes Retraining bei Datenveränderungen (Data Drift) sowie Monitoring der Modellgüte im laufenden Betrieb.

Typische MLOps-Werkzeuge sind MLflow, Kubeflow, Weights & Biases, DVC und Airflow. Im Unternehmenskontext sorgt MLOps dafür, dass aus erfolgreichen ML-Experimenten verlässliche, skalierbare Services werden, mit nachvollziehbarer Historie, automatischer Validierung und schneller Reaktionsmöglichkeit, wenn ein Modell in Produktion an Genauigkeit verliert.