MLOps
Praktiken und Werkzeuge, um Machine-Learning-Modelle zuverlässig in Produktion zu bringen und zu betreiben.
MLOps überträgt DevOps-Prinzipien auf den ML-Lebenszyklus: automatisiertes Training, Deployment, Monitoring und Re-Training von Modellen. Ziel ist ein reproduzierbarer, überwachbarer und skalierbarer Betrieb produktiver KI-Systeme.
Häufige Fragen
- Worin unterscheidet sich MLOps von DevOps?
- MLOps ergänzt DevOps um modellspezifische Aspekte wie Daten-Versionierung, Modell-Drift-Monitoring und Re-Training-Pipelines.
Verwandte Begriffe
- Retrieval-Augmented Generation (RAG) – Verfahren, bei dem ein Sprachmodell vor der Antwort relevante Dokumente abruft, um faktenbasierte Ausgaben zu erzeugen.