Loading content
Model Monitoring beschreibt die kontinuierliche Überwachung von Machine‑Learning‑Modellen im produktiven Einsatz, um Leistungseinbußen, Daten‑ und Concept‑Drift sowie fehlerhafte Vorhersagen frühzeitig zu erkennen. Es umfasst Metriken, Alarmierung, Explainability‑Checks und Trigger für Retraining sowie Prozesse zur Ursachenanalyse und Governance. Ziel ist ei…
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 Zusammenhänge ordnet, verbindet oder entscheidbar macht.
Model Monitoring beobachtet ein eingesetztes Modell und seine Umgebung, um Qualitätsverlust, ungewöhnliche Eingaben, technische Störungen oder veränderte Daten früh zu erkennen. Es verbindet Messwerte mit Schwellen und Reaktionen.
Es entstand aus Produktionsüberwachung und statistischer Prozesskontrolle und wurde durch lernende Systeme um Daten- und Konzeptdrift erweitert. Cloud-Dienste wie Vertex AI und Werkzeuge wie Evidently machen diese Beobachtung in MLOps-Pipelines operational.
Man kann Monitoring als Regelkreis sehen: Daten und Vorhersagen werden laufend gemessen, gegen Erwartungen oder Referenzverteilungen verglichen, bei Abweichungen alarmiert und anschließend durch Untersuchung, Nachtraining oder Rücknahme beantwortet.
Die Verteilung eingehender Merkmale verändert sich gegenüber den Daten, auf denen das Modell beruhte.
Die Beziehung zwischen Eingaben und korrektem Ergebnis verschiebt sich, sodass alte Muster schlechter gelten.
Ein festgelegter Grenzwert übersetzt eine beobachtete Abweichung in eine prüfbare Betriebsreaktion.
Model Monitoring zeigt, wann ein scheinbar laufender Dienst fachlich unzuverlässig wird und eine Untersuchung, Kalibrierung oder neue Modellversion braucht.
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.