Machine Learning Operations (MLOps)

Betriebsabläufe für maschinelles Lernen (MLOps) umfassen eine Reihe von Praktiken, Prinzipien und Technologien, die den Prozess der Überführung von Modellen für maschinelles Lernen (ML) aus der experimentellen Entwicklung in eine zuverlässige Bereitstellung für den Produktionseinsatz optimieren. Durch die Verbindung des explorativen Charakters der Datenwissenschaft mit der konsequenten Methodik von DevOps zielt MLOps darauf ab, den Veröffentlichungszyklus für Anwendungen der künstlichen Intelligenz (AI) zu vereinheitlichen. Während sich die traditionelle Softwareentwicklung hauptsächlich auf die Versionierung von Quellcode konzentriert, bringt MLOps zusätzliche Herausforderungen bei der Verwaltung großer Datenmengen und sich verändernder Modellverhalten mit sich. Dieser ganzheitliche Ansatz stellt sicher, dass AI-Systeme während ihres gesamten Lebenszyklus skalierbar, präzise und regelkonform bleiben.

Die Säulen von MLOps#

Erfolgreiche MLOps-Implementierungen beruhen darauf, die Lücke zwischen drei unterschiedlichen Disziplinen zu schließen: Datenengineering, maschinelles Lernen und DevOps.

• Kontinuierliche Integration und Bereitstellung (CI/CD): So wie Standardsoftware CI/CD-Pipelines zur Automatisierung von Tests und Bereitstellung verwendet, automatisieren MLOps-Pipelines das Training und die Validierung von Modellen. Dadurch wird sichergestellt, dass Änderungen am Code oder an den Daten automatisch Schritte auslösen, mit denen die Modellleistung überprüft wird, bevor Aktualisierungen die Produktionsumgebung erreichen.
• Versionierung von Daten und Modellen: Bei herkömmlicher Programmierung versionierst du nur den Quellcode. In MLOps müssen Teams Tools wie DVC (Versionsverwaltung für Daten) verwenden, um Änderungen an den Trainingsdaten zusammen mit den Hyperparametern des Modells nachzuverfolgen. Dies gewährleistet die Reproduzierbarkeit, sodass Entwickler jede bestimmte Modellversion anhand der Historie erneut erstellen können.
• Kontinuierliche Überwachung: Nach der Bereitstellung können sich Modelle aufgrund von Konzeptdrift verschlechtern, wenn sich die statistischen Eigenschaften der Zielvariable im Laufe der Zeit verändern. Zu MLOps gehört die Einrichtung von Systemen zur Beobachtbarkeit, die Messwerte wie Inferenzlatenz und Genauigkeit überwachen und Teams automatisch benachrichtigen, wenn ein erneutes Training erforderlich ist.

Anwendungen in der Praxis#

MLOps bildet das Rückgrat moderner Unternehmenslösungen mit AI und ermöglicht es Unternehmen, zuverlässig von einem einzelnen Modell auf Tausende bereitgestellte Endpunkte zu skalieren.

1. Vorausschauende Wartung in der Fertigung: Fabriken setzen Computer Vision ein, um Fehler an Montagelinien zu erkennen. Eine MLOps-Pipeline stellt sicher, dass Modelle zur Objekterkennung bei der Einführung neuer Produktlinien mit neuen Bildern erneut trainiert, versioniert und automatisch ohne Ausfallzeit auf Edge-Geräten in der Fabrik bereitgestellt werden. Dadurch bleibt die Qualitätsprüfung auch bei veränderten Fertigungsbedingungen konsistent.

2. Intelligente Bestandsverwaltung im Einzelhandel: Einzelhändler setzen Kameras ein, um den Warenbestand in Regalen zu erfassen. Da sich die Beleuchtung in Geschäften und Produktverpackungen häufig ändern, stellt die Modellabweichung ein ständiges Risiko dar. MLOps-Systeme überwachen die Konfidenz; sinkt sie, markiert das System Bilder zur Annotation und startet in der Cloud einen neuen Trainingszyklus. Anschließend wird ein aktualisiertes Modell an die Filialen übertragen, um die automatisierte Bestandsverwaltung aufrechtzuerhalten.

MLOps mit Ultralytics implementieren#

Ein entscheidender Schritt in jedem MLOps-Workflow ist die Nachverfolgung von Experimenten. Dadurch wird sichergestellt, dass jeder Trainingslauf mit seiner spezifischen Konfiguration protokolliert wird, sodass Teams Ergebnisse reproduzieren oder bei Bedarf auf frühere Versionen zurücksetzen können.

Das folgende Beispiel zeigt, wie du ein YOLO26-Modell – das neueste hochmoderne Modell von Ultralytics, das für alle neuen Projekte empfohlen wird – mit aktivierter Projektnachverfolgung trainierst. Dadurch werden automatisch die für eine Produktionspipeline erforderlichen Artefakte erstellt.

from ultralytics import YOLO

# Load the YOLO26 model (recommended for superior speed and accuracy)
model = YOLO("yolo26n.pt")

# Train the model while specifying project and name for organized logging
# This creates a structured directory of artifacts (weights, charts, args)
# which is essential for reproducibility in MLOps pipelines.
results = model.train(data="coco8.yaml", epochs=10, project="mlops_experiments", name="run_v1")

Indem Trainingsläufe bestimmten Projekten zugeordnet werden, können Teams problemlos Tools wie MLflow oder TensorBoard integrieren, um Leistungskennzahlen über die Zeit zu visualisieren. Wenn Unternehmen wachsen, verlagern sie diese Workflows häufig auf die Ultralytics Platform, die eine einheitliche Oberfläche für die Verwaltung von Datensätzen, das remote ausgeführte Training und die Bereitstellung von Modellen in verschiedenen Formaten wie TensorRT für eine optimierte Inferenzgeschwindigkeit bietet.

MLOps im Vergleich zu verwandten Konzepten#

Für eine effektive Umsetzung dieser Praktiken ist es wichtig, MLOps von verwandten Begriffen im jeweiligen Umfeld zu unterscheiden.

• MLOps im Vergleich zu DevOps: DevOps konzentriert sich auf die kontinuierliche Bereitstellung von Softwareanwendungen. MLOps erweitert diese Prinzipien, indem es „Daten“ und „Modelle“ zu gleichberechtigten Bestandteilen macht. In DevOps löst eine Codeänderung einen Build aus; in MLOps kann auch eine Änderung der Datenverteilungen oder ein Rückgang der Präzision eine neue Ausführung der Pipeline auslösen.
• MLOps im Vergleich zur Modellbereitstellung: Modellbereitstellung bezeichnet speziell die Infrastruktur, die zum Hosten eines Modells und zur Verarbeitung von Inferenzanfragen verwendet wird. MLOps ist der übergeordnete Rahmen, der die Bereitstellung umfasst, aber auch die Phasen des Trainings, der Governance und der Überwachung einschließt.
• MLOps im Vergleich zu AutoML: Automatisiertes maschinelles Lernen (AutoML) konzentriert sich auf die Automatisierung der Modellerstellung, beispielsweise durch die Auswahl von Algorithmen. MLOps verwaltet den Lebenszyklus dieses Modells, nachdem es erstellt wurde, und operationalisiert die Pipeline, in der die AutoML-Tools ausgeführt werden.