01
Mit dem Deployment ist es nicht vorbei
Ein ML-Modell ist keine Software, die du einmal baust und dann vergisst. Du sammelst Daten, trainierst, evaluierst und bringst das Modell in Produktion – und danach beobachtest du weiter, wie es sich schlägt, und trainierst es mit neuen Daten neu, immer wieder. Die Szene unten zeigt diesen Kreislauf. Wähl mal eine Phase aus.
- Bereitstellen
- Das Modell in Produktion bringen
Der ML-Lebenszyklus: Das Neutrainieren am Ende führt zurück zur Datenvorbereitung
Bereitstellen: Das Modell in Produktion bringen. Um die hellblauen Phasen (Bereitstellen, Überwachen, Neu trainieren) kümmert sich MLOps besonders.
Bei normaler Software gilt: Ändert sich der Code nicht, ändert sich auch das Verhalten nicht. Genau hier stolpern viele: Bei einem ML-Modell ändert sich die Leistung, sobald sich die eingehenden Daten ändern – selbst wenn der Code exakt gleich bleibt. Deshalb versionierst und überwachst du nicht nur den Code, sondern auch die Daten und das Modell. MLOps nimmt DevOps, also die Praxis, die Softwareentwicklung und Betrieb verbindet, und erweitert sie fürs maschinelle Lernen.
Forschung zu echten ML-Systemen hat gezeigt: Der Code, der das Modell tatsächlich trainiert, ist nur ein kleiner Teil des Ganzen. Die Arbeit drumherum – Daten sammeln und prüfen, Features bauen, deployen, überwachen – ist viel größer. MLOps automatisiert und protokolliert diese Arbeit, damit weniger Fehler durch Handarbeit entstehen.
| Reifegrad | So sieht es aus |
|---|---|
| Manuell | Jemand trainiert von Hand im Notebook und gibt eine Modelldatei weiter. Schwer nachzubauen |
| Pipeline-Automatisierung | Eine Pipeline läuft von den Daten bis zur Registrierung und trainiert bei neuen Daten automatisch neu |
| CI/CD-Automatisierung | Auch Tests und Deployment des Pipeline-Codes selbst sind automatisiert |
Steht in der Frage … → wähle das
- “Ein wiederkehrender Kreislauf: Daten → Training → Evaluierung → Deployment → Monitoring → Neutraining”ML-Lebenszyklus
- “Bau und Betrieb von ML-Modellen automatisieren und standardisieren”MLOps
- “Ändert sich der Code nicht, bleibt auch die Modellleistung gleich”Falsch – die Leistung ändert sich mit den Daten
- “Code, Daten und Modelle gemeinsam versionieren”Reproduzierbarkeit in MLOps
Der erste Schritt: Handarbeit in eine Pipeline verwandeln, die jedes Mal dieselben Schritte in derselben Reihenfolge ausführt.
02
Pipelines und Reproduzierbarkeit
Eine Trainings-Pipeline führt Datenprüfung, Feature-Erstellung, Training, Evaluierung und Modellregistrierung automatisch in fester Reihenfolge aus. Sie startet, wenn sich neue Daten angesammelt haben, oder nach Zeitplan. Der Evaluierungsschritt hat eine Qualitätsschwelle, und ein Modell, das sie verfehlt, kommt nicht weiter. Bring das Modell in der Szene unten doch mal unter die Schwelle.
- Daten prüfen
- Bestanden
- Features bauen
- Bestanden
- Trainieren
- Bestanden
- Evaluieren
- Bestanden
- Registrieren
- Bestanden
Eine Trainings-Pipeline, die automatisch läuft, sobald neue Daten ankommen
Alle Schritte liefen automatisch durch, und das neue Modell ist registriert. Weil niemand etwas von Hand macht, laufen jedes Mal dieselben Schritte in derselben Reihenfolge – und du kannst genau dieses Modell später exakt nachbauen.
Experiment-Tracking
Jeder Trainingslauf speichert Daten, Codeversion, Hyperparameter und die erreichten Kennzahlen, damit du Läufe vergleichen kannst.
Metadaten und Lineage
Zeigen lückenlos, aus welchen Daten und welchen Schritten ein Modell entstanden ist.
Modell-Registry
Hält Modellversionen, Evaluierungsergebnisse und Freigabestatus (Staging, Produktion) an einem Ort und ermöglicht ein Rollback.
Datenvalidierung
Findet vor dem Training automatisch fehlende Werte, Werte außerhalb des gültigen Bereichs und Spalten, deren Format sich geändert hat.
Steht in der Frage … → wähle das
- “Führt Training, Evaluierung und Deployment automatisch nacheinander aus”ML-Pipeline (Orchestrierung)
- “Protokolliert und vergleicht Hyperparameter und Kennzahlen jedes Laufs”Experiment-Tracking
- “Verfolgt, aus welchen Daten ein Modell stammt”Metadaten und Lineage
- “Verwaltet Modellversionen und Freigabestatus, ermöglicht Rollback”Modell-Registry
- “Verhindert, dass ein Modell unter der Schwelle automatisch deployt wird”Qualitäts-Gate im Evaluierungsschritt
Jetzt geht das registrierte Modell in den echten Dienst. Dafür gibt es mehr als einen Weg.
Anzeige
03
Deployment: wann vorhersagen und wie Modelle tauschen
Zuerst gibt es zwei Arten, Vorhersagen bereitzustellen – je nachdem, wann du sie machst. Batch-Inferenz sagt nach Zeitplan für eine große Datenmenge auf einmal vorher und speichert die Ergebnisse. Echtzeit-Inferenz (online) sagt in dem Moment vorher, in dem eine Anfrage eintrifft, und schickt die Antwort sofort zurück. Außerdem gibt es Edge-Inferenz, bei der die Vorhersage direkt auf dem Gerät läuft.
| Art | Passt gut für | Eigenschaften |
|---|---|---|
| Batch-Inferenz | Jede Nacht das Kündigungsrisiko aller Kunden berechnen | Günstig und einfach. Ergebnisse bleiben bis zum nächsten Lauf gleich |
| Echtzeit-Inferenz | Betrugserkennung beim Bezahlen, Empfehlungen in der Suche | Muss schnell antworten. Der Endpunkt läuft dauerhaft und skaliert hoch und runter |
| Edge-Inferenz | Handykamera, Maschinen in der Fabrik | Schnell und ohne Netz. Das Modell muss klein sein |
Wenn du auf ein neues Modell umsteigst, verteilst du das Risiko meist, statt alles auf einmal umzustellen. Probier in der Szene unten jede Rollout-Methode aus.
- Von v2 beantwortet
- 2 / 20
- Rollback
- Nur 10 % betroffen; Anteil zurück auf 0 setzen
Wege, ein neues Modell v2 auszurollen (grün = Anfragen, die v2 beantwortet hat)
Nur 10 % der Anfragen gehen an v2. Du beobachtest, wie es läuft, und erhöhst den Anteil Schritt für Schritt, wenn alles passt. Geht etwas schief, trifft es nur wenige Nutzer.
Egal welche Methode: Du prüfst mit echten Kennzahlen, ob das neue Modell wirklich besser ist als das alte. A/B-Tests aus dem Guide zu Evaluierungsmetriken sind genau dafür da. Frühere Versionen behältst du in der Registry, damit du jederzeit zurückrollen kannst.
Steht in der Frage … → wähle das
- “Sagt nach Zeitplan für große Datenmengen vorher”Batch-Inferenz
- “Sagt für jede Anfrage sofort und mit geringer Latenz vorher”Echtzeit-Inferenz (online), Endpunkt
- “Schickt einen Teil des Traffics an das neue Modell und erhöht ihn schrittweise”Canary-Deployment
- “Das neue Modell bekommt Kopien der Anfragen und sagt nur vorher; Nutzer sehen seine Ausgabe nie”Shadow-Deployment
- “Zwei Umgebungen, Traffic auf einen Schlag umgestellt, sofortiges Rollback”Blue/Green-Deployment
Ist das Modell deployt, kannst du dich nicht einfach zurücklehnen. Die Welt, die das Modell sieht, verändert sich ständig.
Nur mit Pro
Bis hierhin ist der Guide kostenlos
Die übrigen 5 Kapitel sind für Pro-Abonnenten freigeschaltet. Jedes bringt weitere 3D-Grafiken und „Steht in der Frage …“-Hinweise, und im letzten Kapitel prüfst du dein Wissen selbst.
- 04Monitoring und Drift
- 05Neutraining
- 06Training-Serving-Skew und Feature Store
- 07LLMOps
- 08Den passenden Ansatz wählen
PasslyExam
Du kennst jetzt das Konzept. Teste es an Prüfungsfragen
PasslyExam bietet eigene Übungsfragen, Erklärungen und vollständige Probeprüfungen, die sich am offiziellen Prüfungsleitfaden jeder Zertifizierung orientieren. Die Erklärungen zeigen, warum die richtige Antwort stimmt und warum ähnlich klingende Optionen falsch sind. Registriere dich und übe jeden Tag kostenlos.
Prüfungen, in denen dieses Konzept vorkommt