Loading content
MLOps beschreibt Praktiken, Prozesse und Werkzeuge zur operationalisierten Bereitstellung, Überwachung und Governance von Machine-Learning-Modellen im produktiven Einsatz. Es verbindet Software-Engineering, Data-Engineering und DevOps-Prinzipien, um Reproduzierbarkeit, Automatisierung und kontinuierliche Verbesserung zu ermöglichen. Fokus liegt auf End-to-En…
Nutze diesen Steckbrief, um den Baustein kurz zu verstehen, ihn im Modell einzuordnen und bei Bedarf in die 360°-Bewertung zu wechseln.
MLOps verbindet Machine Learning, Softwareentwicklung und Betrieb, damit Modelle reproduzierbar trainiert, ausgeliefert, überwacht und aktualisiert werden.
MLOps entwickelte sich aus der Erfahrung, dass Machine-Learning-Modelle neben Quellcode auch Daten, Trainingsläufe und Modellartefakte benötigen und sich ihr Verhalten im Betrieb verändert. Die Praxis verband deshalb DevOps-Ideen mit dem ML-Lebenszyklus; in den 2020er-Jahren beschrieben Cloud-Leitfäden und Plattformen wie Kubeflow diese Automatisierung als zusammenhängende Delivery-Pipeline.
MLOps ist eine Produktionsstraße: Daten sind Rohmaterial, Training die Fertigung, Validierung die Qualitätskontrolle und Monitoring die Rückmeldung aus dem Einsatz.
Er umfasst Datenaufbereitung, Training, Validierung, Bereitstellung, Überwachung und Ablösung eines Modells.
Sie bezeichnet eine relevante Veränderung der Eingabedaten gegenüber der Trainings- oder Referenzverteilung.
MLOps macht ML-Produkte nachvollziehbar und betreibbar. Es verbindet technische Qualität mit Fragen zu Datenherkunft, Modellleistung und sicherer Aktualisierung.
Wo dieser Baustein im Themenmodell verortet ist.
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.