MLOps mit MLflow — Vom Experiment zum Produktionsmodell

„Welches Modell war das? Das mit Learning Rate 0,01 oder 0,001?” — wenn Ihnen das bekannt vorkommt, brauchen Sie MLOps. Wir haben uns für MLflow entschieden.

Das Problem: ML ohne Prozess¶

Jupyter Notebooks, lokale Kopien von Daten, „beste Modelle” auf der lokalen Festplatte. Das Experiment von letzter Woche reproduzieren = stundenlange Detektivarbeit.

Die vier Komponenten von MLflow¶

• Tracking — Parameter, Metriken, Artefakte + Git Hash
• Projects — Paketierung von ML-Code für Reproduzierbarkeit
• Models — Standardformat für Deployment
• Registry — Versionierung, Stage Management (None → Staging → Production → Archived)

Automatisierte Pipeline¶

In Airflow: Data Ingestion → Feature Engineering → Training → Evaluation. Wenn das neue Modell das Produktionsmodell übertrifft (AUC > aktuell + 0,02), wird es als Staging registriert. Manuelle Freigabe für Production.

MLOps = ML + DevOps-Disziplin¶

Ohne MLOps ist ML ein Experiment. Mit MLOps ist es eine Engineering-Disziplin.