{"id":165643,"date":"2026-01-28T13:10:19","date_gmt":"2026-01-28T12:10:19","guid":{"rendered":"https:\/\/liora.io\/de\/?p=165643"},"modified":"2026-02-06T04:26:56","modified_gmt":"2026-02-06T03:26:56","slug":"mlops","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/mlops","title":{"rendered":"MLOps: DevOps angewandt auf Machine-Learning-Projekte"},"content":{"rendered":"<h3>In einem fr\u00fcheren Artikel haben wir die DevOps-Philosophie vorgestellt und erl\u00e4utert, wie dieser neue Ansatz durch die Zusammenf\u00fchrung der bisher in Silos arbeitenden Teams f\u00fcr Entwicklung (Dev) und Betrieb (Ops) eine schnellere Wertsch\u00f6pfung f\u00fcr Unternehmen erm\u00f6glicht. In diesem Artikel besch\u00e4ftigen wir uns mit der Anwendung dieses Ansatzes auf Machine Learning: MLOps.<\/h3>\n<h3>Zur\u00fcck zu Devops<\/h3>\n<a href=\"https:\/\/liora.io\/de\/devops-was-ist-das-definition-vorteile-weiterbildungen\">DevOps<\/a> erm\u00f6glicht eine Verk\u00fcrzung der Time-to-Market sowie eine Verbesserung der Qualit\u00e4t von Softwareprodukten durch 3 Prinzipien:\n<ul>\n \t<li><strong>Desorientierung<\/strong>: Entwicklungs- und Betriebsteams m\u00fcssen zusammenarbeiten, um ein gemeinsames Ziel zu erreichen, und dabei alle Informationen austauschen.<\/li>\n \t<li><strong>Automatisierung<\/strong>: Alles, was automatisierbar ist, sollte automatisiert werden: Build, Test, Deployment. Dies dient dem doppelten Zweck, die f\u00fcr die Bereitstellung ben\u00f6tigte Zeit zu verk\u00fcrzen und die Anzahl der nicht qualitativ hochwertigen Aufgaben zu verringern, da manuelle Schritte menschliche Fehler beg\u00fcnstigen.<\/li>\n \t<li><strong>Monitoring<\/strong>: Sammeln und \u00fcberwachen Sie wichtige Metriken, sowohl auf der Gesch\u00e4ftsseite (Anzahl der angemeldeten Benutzer, Anzahl der Bestellungen usw.) als auch auf der Betriebsseite (Prozentsatz der CPU-\/RAM-Auslastung der Server, Anzahl der Fehler usw.).<\/li>\n<\/ul>\n<img decoding=\"async\" width=\"600\" height=\"324\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/11\/Image-26-04-2021-a\u0300-14.03.webp\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/11\/Image-26-04-2021-a\u0300-14.03.webp 600w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/11\/Image-26-04-2021-a\u0300-14.03-300x162.webp 300w\" sizes=\"(max-width: 600px) 100vw, 600px\">\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\">Entdecke unsere Kurse<\/a><\/div><\/div>\n\n\nNach der ausf\u00fchrlichen Einf\u00fchrung von DevOps und der deutlichen Zunahme des Einsatzes von Machine Learning und KI in Unternehmen wurden die DevOps-Konzepte auch in Datenprojekten \u00fcbernommen. Auch wenn die Ziele und Prinzipien im Gro\u00dfen und Ganzen dieselben sind, haben einige Besonderheiten von Machine Learning die Entwicklung eines eigenen Ansatzes erforderlich gemacht: <b>MLOps<\/b>.\n<h3>Was genau sind MLOps?<\/h3>\nLaut einer <a href=\"https:\/\/cloud.google.com\/solutions\/machine-learning\/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning\">Dokumentation von Google<\/a> :\n\n<b><i>MLOps <\/i><\/b><i>ist eine Kultur und Praxis des ML-Engineerings, die darauf abzielt, die Entwicklung (Dev) und den Betrieb (Ops) von ML-Systemen zu vereinen.<\/i>\n\nUm zu verstehen, was MLOps ist, werden wir uns darauf konzentrieren, die Unterschiede zum klassischen DevOps zu erfassen:\n<ul>\n \t<li><b>Experimentelle Entwicklung<\/b>: Es liegt in der Natur der Sache, dass alle ML-Projekte einer nicht-linearen Entwicklung folgen: Verschiedene <i>Preprocessings<\/i>, <i>Feature Engineerings <\/i>und Algorithmen werden getestet, bis eine ausreichende Leistung erreicht ist. Den \u00dcberblick dar\u00fcber zu behalten, was getestet wurde und was funktioniert hat und was nicht, kann kompliziert sein. Es ist jedoch entscheidend, um die Entwicklungszeit zu verk\u00fcrzen, insbesondere bei gro\u00dfen Teams, um zu vermeiden, dass Ans\u00e4tze, die bereits von einem anderen <i>Datenwissenschaftler <\/i>erfolglos ausprobiert wurden, erneut getestet werden.<\/li>\n<\/ul>\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"300\" height=\"298\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/11\/Image-26-04-2021-a\u0300-14.58.webp\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/11\/Image-26-04-2021-a\u0300-14.58.webp 300w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/11\/Image-26-04-2021-a\u0300-14.58-150x150.webp 150w\" sizes=\"(max-width: 300px) 100vw, 300px\"><figcaption>Schritte bei der Entwicklung eines Machine-Learning-Modells<\/figcaption><\/figure>\n<ul>\n \t<li><b>Conceptual Drift<\/b>: Anders als bei einem herk\u00f6mmlichen Softwareprodukt kann sich die Leistung eines ML-Systems im Laufe der Zeit \u00e4ndern (und meistens sogar abnehmen), ohne dass \u00c4nderungen am Code oder an der Infrastruktur vorgenommen wurden. Dies ist auf das Ph\u00e4nomen des <b>Concept Drift <\/b>zur\u00fcckzuf\u00fchren, bei dem sich die Beziehungen <b>zwischen der vorherzusagenden Variable und den erkl\u00e4renden Variablen <\/b>auf unvorhergesehene Weise ver\u00e4ndern werden. Es ist daher unerl\u00e4sslich, die Leistung von ML-Modellen in der Produktion zu verfolgen und m\u00f6glicherweise eine Strategie des automatischen Neulernens zu implementieren, um das Modell &#8222;neu zu kalibrieren&#8220;, wenn seine Leistung abnimmt. Ein Beispiel hierf\u00fcr ist <b>Google Flu Trends, <\/b>ein Projekt von Google, das die<a href=\"https:\/\/www.nature.com\/news\/when-google-got-flu-wrong-1.12413\"> <b>Anzahl<\/b><\/a> der Grippef\u00e4lle anhand der Suchanfragen in der Suchmaschine sch\u00e4tzen sollte.<\/li>\n<\/ul>\n<img decoding=\"async\" width=\"196\" height=\"300\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/11\/Image-26-04-2021-a\u0300-15.06.webp\" alt=\"\" loading=\"lazy\">\n<ul>\n \t<li><b>Team<\/b>: In den meisten Organisationen sind die bereichs\u00fcbergreifenden oder in verschiedene Gesch\u00e4ftsabteilungen integrierten Datenteams noch relativ jung und es fehlt ihnen an qualifizierten Ressourcen, um die Einf\u00fchrung und Aufrechterhaltung des Betriebs <b>komplexer ML-Systeme zu bew\u00e4ltigen<\/b>. In der Regel bestehen diese Teams haupts\u00e4chlich aus Data Scientists, die sich auf die Entwicklung von Machine-Learning-Modellen konzentrieren, aber nicht \u00fcber die n\u00f6tigen F\u00e4higkeiten verf\u00fcgen, um die Bereitstellung und Wartung kompletter Anwendungen zu verwalten. Au\u00dferdem arbeiten die Datenteams noch zu oft in Silos und kommunizieren nicht mit den verschiedenen technischen Teams, mit denen sie interagieren m\u00fcssten, um ihre Modelle in Produktion zu bringen.<\/li>\n<\/ul>\nDiese Besonderheiten und Komplexit\u00e4ten, die Datenprojekten innewohnen, erkl\u00e4ren zum Teil, warum, obwohl immer mehr Unternehmen massiv in Machine Learning und KI investieren, nur sehr wenige Modelle tats\u00e4chlich und mit <a href=\"http:\/\/berufebilder.de\/erfolg\/\">viel Erfolg<\/a> in der Produktion eingesetzt werden. Laut einer von Algorithmia im Jahr 2020 durchgef\u00fchrten Studie haben 55 % der Unternehmen, die sich mit KI besch\u00e4ftigen, noch nie einen \u00dcbergang in die Produktion vollzogen.\n\nMLOps soll diese Schwierigkeiten \u00fcberwinden, um den Einsatz und den Betrieb von ML-Systemen zu erm\u00f6glichen, indem es \u00e4hnliche Prinzipien wie DevOps anwendet:\n<ul>\n \t<li><strong>Monitoring<\/strong>: Das Monitoring gewinnt in der MLOps-Philosophie weiter an Bedeutung, sowohl im Run (insbesondere durch das Sammeln von Leistungsmetriken der Modelle, um konzeptionelle Abweichungen zu erkennen) als auch in der Entwicklungsphase (um die verschiedenen Experimente und ihre Ergebnisse zu verfolgen).<\/li>\n \t<li><strong>Kultur<\/strong>: Datenteams m\u00fcssen auch mit anderen technischen Teams zusammenarbeiten (Betriebsabl\u00e4ufe, aber auch Teams, die Softwareprodukte entwickeln, mit denen die ML-Modelle integriert werden m\u00fcssen).<\/li>\n \t<li><strong>Automatisierung<\/strong>: Zus\u00e4tzlich zu den klassischen Schritten (build, test, deploy) bef\u00fcrwortet das MLOps die Automatisierung von Aufgaben, die f\u00fcr die Wartung von ML-Systemen typisch sind, wie z. B. das Neuanlernen von Modellen. Nachdem die Modelle trainiert wurden, sollten sie auch automatisch eingesetzt werden.<\/li>\n<\/ul>\nUm Datenteams bei der Einf\u00fchrung eines MLOps-Ansatzes zu unterst\u00fctzen, wurden immer mehr Tools entwickelt. Dazu geh\u00f6ren <a href=\"\/\">MLflow<\/a>, <a href=\"https:\/\/docs.metaflow.org\/introduction\/why-metaflow\">Metaflow<\/a>, <a href=\"\/\">Kubeflow<\/a>.\n\nUm den MLOps-Wandel erfolgreich zu meistern, m\u00fcssen die Silos zwischen den Betriebsabteilungen und den Datenteams aufgebrochen werden, und es muss sichergestellt werden, dass die <a href=\"https:\/\/liora.io\/de\/weiterbildung-data-engineer\">Datenteams<\/a> \u00fcber die notwendigen Ressourcen verf\u00fcgen (<a href=\"https:\/\/liora.io\/de\/weiterbildung-data-engineer\">Data Engineers<\/a>, <a href=\"https:\/\/liora.io\/de\/weiterbildung-machine-learning-engineer\">Machine Learning Engineers<\/a>). Machine Learning Engineers sind erfahrene Profile, die sowohl \u00fcber Fachwissen im Bereich Machine Learning (statistische Modellierung, Deep Learning usw.) als auch \u00fcber Kompetenzen in der Softwareentwicklung, im Data Engineering und in der Umsetzung von ML-Modellen in die Produktion verf\u00fcgen.\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\">Entdecke unsere Kurse<\/a><\/div><\/div>\n","protected":false},"excerpt":{"rendered":"<p>DevOps erm\u00f6glicht eine Verk\u00fcrzung der Time-to-Market sowie eine Verbesserung der Qualit\u00e4t von Softwareprodukten durch 3 Prinzipien:<\/p>\n","protected":false},"author":47,"featured_media":165644,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-165643","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/165643","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=165643"}],"version-history":[{"count":3,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/165643\/revisions"}],"predecessor-version":[{"id":216410,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/165643\/revisions\/216410"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/165644"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=165643"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=165643"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}