Was ist MLOps?
MLOps (Machine Learning Operations) bezeichnet die Prinzipien und Werkzeuge, mit denen Machine-Learning-Modelle zuverlässig entwickelt, ausgeliefert, überwacht und aktualisiert werden. Es überträgt die Ideen von DevOps auf den Lebenszyklus von ML-Modellen, sodass aus einem Prototyp ein dauerhaft betriebsfähiges System wird.
Auch bekannt als: Machine Learning Operations · ML Operations · ML-Betrieb
Einordnung: Wofür wird MLOps genutzt?
MLOps schließt die Lücke zwischen einem im Notebook funktionierenden Modell und einem System, das im Tagesbetrieb verlässlich Vorhersagen liefert. Es regelt, wie Daten und Modelle versioniert werden, wie Training und Auslieferung automatisiert ablaufen, wie Modelle überwacht und bei nachlassender Güte neu trainiert werden.
Zentrale Bausteine sind Versionierung von Daten, Code und Modellen, automatisierte Trainings- und Deployment-Pipelines, ein Modellregister, Monitoring auf Modell- und Datenqualität sowie Mechanismen für reproduzierbares Re-Training. In Azure werden diese Bausteine etwa mit Azure Machine Learning und Azure DevOps oder GitHub umgesetzt.
Beispiel aus der Praxis
Ein Modell sagt die zu erwartende Nachfrage voraus. Ohne MLOps wird es einmalig trainiert und veraltet schleichend, weil sich Marktbedingungen ändern (Data Drift). Mit MLOps werden Eingangsdaten und Vorhersagegüte überwacht, und bei Abweichungen stößt eine Pipeline automatisch ein erneutes Training und eine kontrollierte Auslieferung an.
Vorteile & typische Anwendungsfälle
MLOps lohnt sich, sobald ein ML-Modell dauerhaft im Betrieb wirken soll, statt nur als einmalige Analyse zu dienen.
- Reproduzierbarkeit: Trainings lassen sich mit denselben Daten und Parametern nachvollziehen
- Automatisierte Auslieferung neuer Modellversionen ohne manuelle Handarbeit
- Monitoring von Modellgüte und Eingangsdaten, um Data Drift früh zu erkennen
- Klare Governance und Nachvollziehbarkeit, welche Modellversion wann im Einsatz war
Abgrenzung zu verwandten Begriffen
DevOps bezieht sich auf Software allgemein, MLOps erweitert dies um die Besonderheiten von Daten und Modellen, etwa Datenversionierung und Modell-Monitoring. Machine Learning in Azure stellt die Plattform und Modelle bereit, MLOps sorgt für deren verlässlichen Betrieb. CI/CD ist eine Technik, die in MLOps für automatisierte Pipelines genutzt wird.
Bezug zu smiit
smiit hilft mittelständischen Unternehmen, Machine-Learning-Lösungen nicht nur zu entwickeln, sondern dauerhaft betriebsfähig zu machen. Im Azure-Umfeld werden reproduzierbare Pipelines, Monitoring und kontrollierte Auslieferung so aufgesetzt, dass Modelle verlässlich Wert stiften, statt im Prototyp-Stadium zu verharren.
Häufige Fehler & Missverständnisse
- MLOps ist nicht nur DevOps für Modelle; es muss zusätzlich Daten- und Modellversionierung, Drift-Überwachung und Reproduzierbarkeit von Trainingsläufen abdecken.
- Viele glauben, ein einmal trainiertes Modell bleibe dauerhaft gut. Modelle verlieren jedoch durch sich ändernde Daten an Qualität und müssen überwacht und neu trainiert werden.
- Ein verbreiteter Irrtum ist, MLOps beginne erst nach dem Deployment. Tatsächlich umfasst es den gesamten Zyklus von Datenaufbereitung über Training bis Betrieb.
Häufige Fragen
Was ist der Unterschied zwischen DevOps und MLOps?
DevOps automatisiert die Entwicklung und Auslieferung von Software allgemein. MLOps überträgt diese Prinzipien auf Machine-Learning-Modelle und ergänzt sie um Datenversionierung, Modellregister und Monitoring der Modellgüte.
Brauchen wir MLOps schon für ein einzelnes Modell?
Für eine einmalige Analyse meist nicht. Sobald ein Modell aber dauerhaft Vorhersagen liefern und mit neuen Daten aktuell bleiben soll, sorgt MLOps für verlässlichen und nachvollziehbaren Betrieb.
Was ist Data Drift im MLOps-Kontext?
Data Drift bezeichnet die Veränderung der Eingangsdaten gegenüber den Trainingsdaten, wodurch ein Modell schleichend ungenauer wird. MLOps erkennt dies durch Monitoring und stößt bei Bedarf ein erneutes Training an.
Welche Werkzeuge werden für MLOps in Azure genutzt?
Typisch sind Azure Machine Learning für Training, Modellregister und Bereitstellung, kombiniert mit Azure DevOps oder GitHub für Versionierung und Pipelines. Für die Datenaufbereitung kommt häufig Azure Databricks hinzu. Welche Bausteine nötig sind, hängt von der Komplexität der Modelle ab.
Wie hängen MLOps und Modell-Governance zusammen?
MLOps liefert die technische Grundlage für Governance: Versionierung, Modellregister und Monitoring machen nachvollziehbar, welche Modellversion mit welchen Daten trainiert wurde und wann sie im Einsatz war. Das ist die Voraussetzung für Audits und für klare Verantwortlichkeiten im Modellbetrieb.
Verwandte Begriffe
Quellen & weiterführende Links
Sie möchten dieses Thema in Ihrem Unternehmen umsetzen?
Aktualisiert am · Zurück zum Glossar