MLOps: Deployment und Continuous Training ohne Drama

Ein Modell zu trainieren dauert ein paar Stunden. Es dann über Monate stabil am Laufen zu halten, während sich Daten ändern und Business-Anforderungen wachsen, ist die eigentliche Arbeit. MLOps ist der Versuch, das systematisch zu lösen.

In diesem Webinar schauen wir uns an, wie man ML-Modelle deployed, ohne jedes Mal das ganze System neu bauen zu müssen. Blue-Green Deployments für Modelle. Canary Releases, bei denen das neue Modell erstmal nur 5% des Traffics bekommt. Shadow Mode, wo beide Modelle parallel laufen und man die Outputs vergleicht. Diese Patterns kennt ihr vielleicht aus klassischer Software-Entwicklung, aber bei ML gibt es Besonderheiten.

Ein großes Thema ist Continuous Training. Modelle degradieren über Zeit, wenn sich die Datendistribution ändert. Ihr braucht Pipelines, die automatisch retraining triggern, wenn Performance-Metriken unter Schwellwerte fallen. Aber nicht bei jedem kleinen Ausreißer, sonst trainiert ihr 50 mal am Tag. Das richtige Timing und die richtigen Trigger zu finden ist nicht trivial.

Monitoring geht über normale Application Metrics hinaus. Ihr müsst Data Drift erkennen: Wenn plötzlich andere Features-Verteilungen reinkommen als beim Training. Prediction Drift: Wenn das Modell andere Outputs produziert als gewöhnlich. Und natürlich Business Metrics: Bringt das Modell noch den erwarteten Value oder nicht?

Wir behandeln auch praktische Tool-Fragen. Was kann man mit MLflow, Kubeflow, oder anderen Frameworks lösen? Wo muss man selbst bauen? Wie integriert man das alles mit bestehenden CI/CD-Pipelines? Das Webinar ist technisch konkret, keine Tool-Werbung.