MLOps: Definition & Erklärung — Glossar

Was ist MLOps?

MLOps (Machine Learning Operations) ist eine Reihe von Praktiken, Tools und kulturellen Prinzipien, die darauf abzielen, den Machine-Learning-Lebenszyklus zu standardisieren und zu automatisieren — von der Datenaufbereitung und Modellentwicklung über das Deployment bis hin zum Monitoring im produktiven Betrieb. MLOps überträgt DevOps-Prinzipien auf die spezifischen Herausforderungen von ML-Systemen.

Warum MLOps notwendig ist

ML-Projekte scheitern häufig nicht an der Modellentwicklung, sondern an der Produktivsetzung: Ohne MLOps sind Modelle schwer reproduzierbar, Experimente nicht nachvollziehbar, Deployments fehleranfällig und Modell-Drift bleibt unbemerkt. Studien zeigen, dass nur 22 % der Unternehmen ML-Projekte erfolgreich in die Produktion überführen. MLOps adressiert genau diese Lücke.

Kernkomponenten einer MLOps-Plattform

Experiment-Tracking: Protokollierung von Modellen, Parametern und Metriken (MLflow, Weights & Biases). Feature Store: Zentrale Verwaltung von ML-Features für Training und Serving. Modell-Registry: Versionierung und Governance von Modellen. CI/CD für ML: Automatisierte Pipelines für Daten, Training und Deployment. Model Monitoring: Erkennung von Datendrift, Konzeptdrift und Performance-Degradation in der Produktion.

Plattformen und Tools

MLflow ist die populärste Open-Source-Plattform für Experiment-Tracking und Modell-Registry. Kubeflow bringt ML-Pipelines auf Kubernetes. AWS SageMaker, Azure ML und Google Vertex AI sind vollständige Cloud-native MLOps-Plattformen. Für mittelständische Unternehmen empfiehlt sich oft ein pragmatischer Start mit MLflow + einfacher CI/CD-Pipeline, bevor in vollständige MLOps-Infrastruktur investiert wird.