Definition und Zweck:
MLOps steht für Machine Learning Operations und ist eine Reihe von Praktiken und Prozessen zur Automatisierung, Verwaltung und Überwachung des gesamten Lebenszyklus von Machine Learning (ML)-Modellen in Produktionsumgebungen. Es ist die Brücke zwischen der Data Science (Entwicklung der Modelle) und der IT/OT-Betriebsumgebung (Deployment und Nutzung).
Ziel von MLOps ist es, die Bereitstellung von ML-Modellen zu beschleunigen, ihre Zuverlässigkeit und Performance sicherzustellen und ihre kontinuierliche Anpassung (Optimierung) an sich ändernde industrielle Daten zu gewährleisten.
MLOps ist entscheidend für den erfolgreichen Einsatz von Künstlicher Intelligenz in der Industrie 4.0.
Kernaufgaben in der Industrie:
- Deployment: Automatisierte Bereitstellung des ML-Modells auf Zielplattformen (z.B. Cloud-Computing, Edge Computing, Industrie-PC (IPC)).
- Monitoring: Kontinuierliche Überwachung der Modell-Performance und der Datenqualität (Erkennung von „Model Drift“).
- Retraining: Automatisiertes Neu-Training des Modells mit neuen Produktions-Daten.
- CI/CD: Nutzung von Continuous Integration und Delivery-Pipelines für ML-Code und Modelle.
- Dokumentation: Versionierung und Dokumentation von Daten, Code und Modellen.
→ Siehe auch: Machine Learning, Künstliche Intelligenz (KI), Data Analytics, Edge Computing, Cloud-Computing, Continuous Integration
