MLOps
Die Praxis, Modelle nicht nur zu bauen, sondern sie zuverlässig auszuliefern, zu überwachen und wieder zurücknehmen zu können.
Ein Modell, das im Notebook gute Ergebnisse liefert, ist kein Produkt. Zwischen diesem Stand und einem System, auf das sich ein Unternehmen verlässt, liegt die Arbeit, die MLOps beschreibt: reproduzierbares Training, versionierte Modelle und Daten, ein Deployment, das ohne Handarbeit auskommt, und die Fähigkeit, eine Version zurückzunehmen, wenn sie sich als schlechter erweist.
Der Unterschied zu klassischem DevOps liegt darin, dass sich hier nicht nur der Code ändern kann, sondern auch die Welt. Ein Modell kann tadellos bleiben und trotzdem schlechter werden, weil die eingehenden Daten sich verschoben haben - andere Kunden, andere Formulierungen, ein neues Produkt im Sortiment. Ohne Monitoring merkt man das erst, wenn sich jemand beschwert.
Deshalb gehört zur Auslieferung von Anfang an die Messung: Wie oft weicht die Ausgabe von dem ab, was erwartet wird? Wie verändern sich die Eingabedaten über die Zeit? Und was kostet ein Durchlauf tatsächlich? Diese drei Größen entscheiden darüber, ob ein KI-System nach einem Jahr noch trägt.
Für kleinere Anwendungen bedeutet MLOps nicht zwingend eine eigene Plattform. Oft genügt eine saubere Pipeline, eine Handvoll Metriken und die Möglichkeit, mit einer Konfigurationsänderung auf die vorherige Version zurückzugehen. Wichtig ist, dass diese Wege existieren, bevor man sie braucht.
Die Leistung dahinter
KI & Automatisierung