Retraining bezeichnet den Prozess, ein bereits in Produktion befindliches ML-Modell mit neuen oder aktualisierten Daten erneut zu trainieren, um seine Qualität wiederherzustellen oder zu verbessern – nachdem es durch Drift, veränderte Anforderungen oder neue Datenmuster an Vorhersagegenauigkeit verloren hat. Retraining ist der natürliche Gegenpol zu Drift: Drift lässt die Qualität verfallen, Retraining stellt sie wieder her.
Retraining ist kein einmaliges Event, sondern eine wiederkehrende Betriebsaufgabe für jedes produktive ML-Modell: Die Häufigkeit hängt von der Drift-Geschwindigkeit des jeweiligen Anwendungsfalls ab – ein Betrugserkennung in schnell wandelnden Betrugsmethoden braucht wöchentliches Retraining, ein Kundensegmentierungsmodell vielleicht nur quartalsweise. Ein klar definierter Retraining-Prozess ist ein Reifegradmerkmal für jeden ML-betrieb.
Retraining-Auslöser
Qualitäts-Trigger
Modellgüte-Metrik fällt unter definierten Schwellenwert. Direktester Trigger – aber oft mit Zeitverzögerung erkennbar.
Drift-Trigger
PSI oder Drift-Metrik übersteigt Schwellenwert. Frühwarnsignal – Retraining bevor Qualität fällt.
Zeit-Trigger
Retraining nach definiertem Zeitplan (wöchentlich, monatlich) – unabhängig von Drift-Signalen. Einfach, aber nicht adaptiv.
Volumen-Trigger
Wenn N neue gelabelte Datenpunkte seit letztem Training vorliegen. Für Szenarien mit kontinuierlichem Label-Feedback.
Ereignis-Trigger
Bekanntes externes Ereignis (Produktlaunch, Marktveränderung, regulatorische Änderung) löst manuell Retraining aus.
Manuell
Data-Science-Team entscheidet auf Basis von Expertenurteil. Für Modelle ohne klare automatische Trigger-Metriken.
Retraining-Strategien
- Full Retraining: Modell wird vollständig neu trainiert auf dem gesamten verfügbaren Datensatz (historisch + neue Daten). Einfachste Strategie, höchster Rechenaufwand
- Incremental Learning: Modell wird nur auf neuen Daten weitertrainiert, ohne alles von Grund auf neu zu lernen. Schneller, aber nicht für alle Algorithmen möglich
- Rolling Window: Training nur auf den letzten N Monaten Daten – ältere Daten werden ausgeschlossen. Gut wenn ältere Daten nicht mehr repräsentativ sind
- Weighted Training: Neuere Daten werden stärker gewichtet als ältere. Kompromiss zwischen historischem Kontext und Aktualität
Praxisbeispiel
Ein Automationsdienstleister betreibt ein Dokumentenklassifikationsmodell und implementiert automatisches Retraining. Retraining-Pipeline in AWS: Täglich werden neue klassifizierte Dokumente (mit manuell korrigierten Labels) in den Trainingsdatensatz eingepflegt. Drift-Monitor prüft täglich PSI für alle Feature-Verteilungen. Trigger: PSI über 0,15 für mehr als 2 Features ODER Accuracy unter 91 Prozent auf Validierungsdatensatz. Bei Trigger: automatischer Start der Retraining-Pipeline (Full Retraining auf Rolling 24-Monats-Window). Automatische Evaluation des neuen Modells auf Test-Set. Bei Verbesserung über 0,5 Prozent: automatisches Deployment via Canary-Strategy. Kein manueller Eingriff nötig. In 12 Monaten: 4 automatische Retrainings, durchschnittliche Accuracy über die Zeit: 93,8 Prozent (vs. 87,2 Prozent ohne Retraining, projiziert).
