Modellbetrieb – auch MLOps (Machine Learning Operations) – bezeichnet alle Prozesse, Praktiken und Werkzeuge, die sicherstellen, dass ein trainiertes ML-Modell zuverlässig, skalierbar und wartbar in einer Produktionsumgebung betrieben, überwacht und kontinuierlich verbessert wird. MLOps überträgt die Prinzipien von DevOps (Continuous Integration, Continuous Deployment, Monitoring) auf den ML-Lifecycle und schließt damit die Lücke zwischen Modellentwicklung im Labor und verlässlichem Modellbetrieb in der Produktion.
Der Schritt von einem gut trainiertem Modell zu einem zuverlässig betriebenen Produktionsmodell ist in der Praxis oft unterschätzt: Studien zeigen, dass bis zu 90 Prozent der ML-Projekte nie in Produktion kommen oder in Produktion versagen – nicht wegen schlechter Modelle, sondern wegen fehlender MLOps-Praktiken. Ein Modell, das im Notebook funktioniert, ist kein Produktionsmodell.
Der MLOps-Lifecycle
1 Entwicklung & Training: Modell entwickeln, trainieren, evaluieren – im reproduzierbaren, versionierten Experiment-Setup
2 Validierung & Testing: Automatisierte Tests auf Modellqualität, Fairness, Performance und Robustheit vor jedem Deployment
3 Deployment: Modell als API oder eingebetteter Service bereitstellen – containerisiert, versioniert, mit Rollback-Möglichkeit
4 Monitoring: Kontinuierliche Überwachung von Vorhersagequalität, Data Drift, Latenz und Fehlerrate in Echtzeit
5 Retraining: Automatisches oder manuell ausgelöstes Retraining wenn Qualitätskennzahlen unter definierte Schwellenwerte fallen
6 Retirement: Modell wird abgekündigt und durch neue Version ersetzt – mit definiertem Übergangsprozess und Kommunikation
Data Drift und Concept Drift
Die häufigste Ursache für Modellqualitätsverlust im Betrieb: Data Drift – die Verteilung der Eingabedaten verändert sich gegenüber den Trainingsdaten (z. B. neue Produktkategorien, geänderte Kundensegmente). Concept Drift – die Zusammenhänge in der Realität ändern sich (z. B. wirtschaftliche Verhältnisse verändern Kaufverhalten). Beide sind unvermeidlich und erfordern aktives Monitoring: Regelmäßige Vergleiche der aktuellen Eingabedatenverteilung mit der Trainingsdatenverteilung zeigen früh an, wann Retraining fällig ist.
Praxisbeispiel
Ein Finanzdienstleister betreibt ein Kreditscoring-Modell in Produktion und implementiert MLOps-Praktiken. CI/CD-Pipeline für Modelle: Jede neue Modellversion durchläuft automatisch 14 Tests (Accuracy, Fairness nach Segment, Robustheit auf Edge Cases, Latenz unter Last) bevor sie deployed wird. Canary Deployment: Neue Version erhält zunächst 5 Prozent des Traffic – bei guten Metriken schrittweise auf 100 Prozent hochgefahren. Monitoring: Modell-Accuracy wird täglich auf aktuellem Datensatz gemessen. Schwellenwert: Accuracy unter 87 Prozent löst automatisch eine Retraining-Pipeline aus. Data Drift: Wöchentlicher Vergleich der Eingabedaten-Verteilung. Letzter Drift-Alert: nach Corona-Beginn 2020 – Einkommens- und Beschäftigungsfeatures zeigten massive Verschiebungen, manuelles Retraining mit aktuellen Daten in 3 Tagen abgeschlossen.
