Loading content
Machine Learning Operations (MLOps) beschreibt Praktiken zur Verbindung von Modellentwicklung, Bereitstellung und Betrieb. Es vereint Datenengineering, CI/CD, Monitoring und Governance, um Modelle produktiv, reproduzierbar und skalierbar zu betreiben. Es adressiert organisatorische Prozesse und technische Infrastruktur.
Nutze diesen Steckbrief, um den Baustein kurz zu verstehen, ihn im Modell einzuordnen und bei Bedarf in die 360°-Bewertung zu wechseln.
Theoretisches Gebilde: erklärt einen Begriff, ein Prinzip oder ein Denkmodell.
Was du verstehen musst, um ein Themenfeld sinnvoll zu denken.
MLOps verbindet Machine Learning mit Software- und Datenbetrieb, damit Modelle reproduzierbar entwickelt, ausgeliefert, überwacht und aktualisiert werden können.
MLOps entstand aus dem Bedarf, experimentelle Machine-Learning-Modelle zuverlässig als laufende Dienste zu betreiben. In der Verbindung von DevOps-Automatisierung, Daten- und Modellversionierung sowie kontinuierlicher Überwachung entwickelte sich ein eigener Betriebsansatz; Google Cloud beschreibt solche Lieferpipelines, und Kubeflow bündelt dafür Open-Source-Werkzeuge.
Stell dir eine Produktionsstraße vor, deren Werkstück ein Modell ist: Daten werden vorbereitet, das Modell wird geprüft, ausgerollt und unter realen Bedingungen beobachtet. Ändern sich Daten oder Verhalten, startet der kontrollierte Ablauf erneut.
Code, Daten- und Modellversionen werden so festgehalten, dass ein Training nachvollziehbar wiederholbar ist.
Geprüfte Modelle werden automatisiert oder kontrolliert in eine Nutzungsumgebung gebracht.
Qualität, Drift, Kosten und Verfügbarkeit werden nach dem Deployment beobachtet.
MLOps senkt das Risiko, dass ein Modell zwar im Experiment funktioniert, im laufenden Betrieb aber nicht nachvollziehbar oder wartbar ist.
Wo dieser Baustein im Themenmodell verortet ist.
Keine Strukturpfade verfügbar.
Erkunde, wie dieser Wissensbaustein mit Konzepten, Methoden, Technologien und Tools verbunden ist.
Diese Quellen belegen den Begriff und seine fachliche Bedeutung.
Alle direkten Verbindungen des aktuellen Wissensbausteins in einer kompakten, textuellen Darstellung.
Diese Einordnung zeigt, in welchem Kontext der Baustein typischerweise relevant wird, wie anspruchsvoll er ist und welche Wirkung er im Modell hat.
Die Ebene innerhalb der Organisation (Unternehmen, Domäne, Team), auf der der AssetBlock angewendet wird.