Interviewfragen MLOps Engineer: 20 Fragen, gute Antworten, Warnsignale

Gute Interviewfragen für einen MLOps Engineer prüfen, ob die Person Modelle wirklich betrieben hat: Auslieferung per CI/CD, Versionierung von Modell und Daten, Monitoring von Qualität und Drift, Kostenkontrolle und die Aufteilung der Verantwortung mit Data Science und IT-Betrieb. Die 20 Fragen hier zeigen jeweils eine gute Antwort und ein Warnsignal.

Stelle anfragenAntwort innerhalb eines Werktags
Notizbuch mit unscharfer Handschrift, Lesebrille und Laptop
Auf dieser Seite

Die wichtigste Unterscheidung: MLOps oder DevOps?

Viele MLOps-Kandidaten kommen aus DevOps oder Cloud Engineering. Der Top-20-Report KI-Rollen nennt genau diesen Pool als häufige Herkunft. Das ist kein Nachteil, solange Modellverständnis dazukommt. Die Fragen in Block 3 trennen das: Wer nur Software betrieben hat, kann Drift, Retraining und Datenversionierung nicht aus eigener Erfahrung erklären.

Mehr dazu: MLOps Engineer vs. DevOps Engineer.

So nutzen Sie die Fragen

Acht bis zehn Fragen für 60 Minuten, mindestens eine aus jedem Block. Fragen Sie immer nach einem konkreten System. Bewerten Sie mit 1 (allgemein), 2 (konkret) oder 3 (konkret mit Abwägung und Zahlen).

Wie Sie das ganze Interview aufbauen und bewerten: Technisches Interview für KI-Rollen.

Block 1: Auslieferung und CI/CD

#FrageGute Antwort zeigtWarnsignal
1Wie kommt bei Ihnen ein neues Modell vom Training in die Anwendung?Beschreibt die Schritte, Prüfungen und Freigaben, nennt die DauerKopiert Modelldateien von Hand
2Was testen Sie automatisch, bevor ein Modell live geht?Datenprüfung, Leistungsvergleich mit dem aktuellen Modell, SchnittstellentestsNur Unit-Tests für Code
3Wie rollen Sie ein Modell zurück, wenn es schlechter ist?Versionierte Artefakte, klarer Rückweg, schrittweise AuslieferungHat nie zurückgerollt
4Wie liefern Sie ein Modell schrittweise aus?Beschreibt ein Verfahren wie parallelen Betrieb oder Teilverkehr und woran entschieden wirdKennt nur „alles auf einmal“

Block 2: Versionierung und Reproduzierbarkeit

#FrageGute Antwort zeigtWarnsignal
5Wie stellen Sie sicher, dass ein Modell von vor sechs Monaten reproduzierbar ist?Code, Daten, Parameter und Umgebung versioniert, Nachweis über ein RegisterNur der Code liegt in Git
6Wie versionieren Sie Trainingsdaten?Nennt ein Verfahren und seine Grenzen bei großen DatenmengenHält Datenversionierung für unnötig
7Welche Informationen gehören zu einem Modell im Register?Herkunft der Daten, Metriken, Verantwortliche, FreigabestatusNur Dateiname und Datum

Block 3: Monitoring, Drift und Retraining

#FrageGute Antwort zeigtWarnsignal
8Woran erkennen Sie, dass ein Modell schlechter wird, bevor der Fachbereich es merkt?Überwachung von Eingangsdaten und Ergebnissen, Schwellenwerte, AlarmWartet auf Beschwerden
9Was ist der Unterschied zwischen Daten-Drift und Konzept-Drift, an einem Beispiel?Erklärt beides an einem eigenen FallKann nur die Definition aufsagen
10Wann trainieren Sie ein Modell neu?Nach Regeln oder Auslösern, abgewogen gegen Kosten und Risiko„Jede Woche“, ohne Begründung
11Wie überwachen Sie ein Modell, wenn die echten Ergebnisse erst Wochen später bekannt sind?Stellvertretende Signale, Stichproben, verzögerte AuswertungKennt das Problem nicht

Block 4: Plattform und Kosten

#FrageGute Antwort zeigtWarnsignal
12Wann würden Sie Kubernetes selbst betreiben, wann einen Managed Service nehmen?Wägt Teamgröße, Kosten, Kontrolle und Betriebsaufwand abHat eine Vorliebe ohne Begründung
13Wo haben Sie zuletzt Kosten für Training oder Inferenz gesenkt, und um wie viel?Konkreter Hebel und GrößenordnungHat Kosten nie gesehen
14Wie stellen Sie sicher, dass Test- und Produktionsumgebung gleich aufgebaut sind?Infrastructure as Code, gleiche Container, automatische Bereitstellung„Wir achten darauf“
15Wie betreiben Sie ein Sprachmodell anders als ein klassisches Modell?Nennt Latenz, Kosten pro Anfrage, Bewertung der AntwortqualitätSieht keinen Unterschied

Block 5: Verantwortung und Zusammenarbeit

#FrageGute Antwort zeigtWarnsignal
16Wer ist bei Ihnen verantwortlich, wenn ein Modell nachts falsche Ergebnisse liefert?Klare Aufteilung zwischen MLOps, Data Science und IT-Betrieb, schriftlich festgehalten„Das klären wir dann“
17Wie bringen Sie Data Scientists dazu, Ihre Standards zu nutzen?Vorlagen, gute Werkzeuge, gemeinsame EinführungSetzt Regeln nur per Anweisung durch
18Welche Dokumentation gibt es zu einem produktiven Modell?Zweck, Daten, Grenzen, Verantwortliche, NotfallwegNur technische README
19Wie gehen Sie mit Anforderungen aus Informationssicherheit oder Revision um?Früh einbinden, Nachweise automatisch erzeugenSieht sie als Bremse
20Welche Architekturentscheidung würden Sie heute anders treffen?Echter Fehler, Folgen, LerneffektFindet keinen

Probeaufgabe: ein Architekturgespräch

Statt Code im Gespräch zu schreiben, lassen Sie den Kandidaten Ihre heutige Strecke skizzieren und verbessern. Eine Vorlage für 45 Minuten:

Unser Data Scientist trainiert ein Prognosemodell im Notebook, speichert es als Datei und schickt sie der IT. Die IT baut sie in eine Anwendung ein. Das passiert alle drei Monate. Wie würden Sie das in den ersten 90 Tagen verbessern, und was zuerst?

Gute Kandidaten fragen zuerst nach Anzahl der Modelle, Nutzern und Risiken, bevor sie Werkzeuge nennen. Wer sofort eine vollständige Plattform entwirft, ist für einen Mittelständler mit einem Modell oft zu groß gedacht.

Einordnung: Suchdauer und Markt

Laut Top-20-Report KI-Rollen Mittelstand 2026 dauert die Suche nach einem MLOps Engineer 14 bis 24 Wochen ab freigegebenem Profil, länger als bei Data Engineers oder Data Scientists. Planen Sie deshalb kurze Wege zwischen Gespräch und Entscheidung ein. Gehaltsbänder stehen unter MLOps Engineer Gehalt.

Sie wollen nur Kandidaten sehen, die Modelle wirklich betrieben haben?

Wir prüfen CI/CD, Monitoring und Kostensteuerung im fachlichen Gespräch, bevor Sie einen MLOps Engineer kennenlernen.

MLOps Engineer finden

Scorecard MLOps Engineer zum Ausfüllen

Bewerten Sie die Antworten auf diese Fragen direkt im Gespräch. Gewichtung, Muss-Kriterien und die Regeln dahinter erklärt die Seite Interview-Scorecard für KI-Rollen.

Interview-Scorecard MLOps Engineer
0 von 5 bewertet

Bleibt in Ihrem Browser. Wir speichern nichts.

Skala und Regel
  • 1, unzureichend: Begriffe stimmen, eigenes Erleben fehlt, Antworten bleiben allgemein.
  • 2, teilweise: Eigene Projekte erkennbar, Abwägungen genannt, aber kaum begründet.
  • 3, erfüllt: Konkretes eigenes Beispiel, begründete Abwägung, ehrliche Grenzen.
  • 4, stark: Zahlen aus eigenen Systemen, sieht Folgen für Team, Kosten und Betrieb voraus.

Jede Person im Panel bewertet für sich, bevor Sie sich austauschen. Liegt ein Muss-Kriterium unter 3, endet der Prozess, egal wie hoch der Schnitt ist. Ab 3,0 im Schnitt geht es weiter, zwischen 2,5 und 3,0 prüfen Sie gezielt nach.

  1. 1. Auslieferung und CI/CD25 %MussBlock 1, Fragen 1 bis 4.
    Stark (4)
    Automatische Prüfungen vor Livegang, schrittweise Auslieferung, geübter Rückweg.
    Schwach (1)
    Kopiert Modelldateien von Hand und hat nie zurückgerollt.
  2. 2. Versionierung und Reproduzierbarkeit20 %Block 2, Fragen 5 bis 7.
    Stark (4)
    Code, Daten, Parameter und Umgebung versioniert, Modellregister mit Herkunft und Freigabe.
    Schwach (1)
    Kann ein älteres Modell nicht nachbauen.
  3. 3. Monitoring, Drift, Retraining25 %MussBlock 3, Fragen 8 bis 11.
    Stark (4)
    Erkennt Verschlechterung vor dem Fachbereich, erklärt Drift an eigenem Fall, trainiert nach Regeln nach.
    Schwach (1)
    Wartet auf Beschwerden aus dem Fachbereich.
  4. 4. Plattform und Kosten15 %Block 4, Fragen 12 bis 15.
    Stark (4)
    Wägt Eigenbetrieb gegen Managed Service, senkt Kosten mit Zahlen, kennt Besonderheiten von Sprachmodellen.
    Schwach (1)
    Hat eine Vorliebe statt einer Abwägung.
  5. 5. Verantwortung und Zusammenarbeit15 %Block 5, Fragen 16 bis 20.
    Stark (4)
    Klare Zuständigkeiten, Standards über gute Werkzeuge, Sicherheit früh eingebunden.
    Schwach (1)
    Setzt Regeln nur per Anweisung durch.

Bewertung läuft

Gewichteter Schnitt: offen

Noch 5 von 5 Kriterien offen.

Quellen

  • Spitzenbesetzung, Top-20-Report KI-Rollen Mittelstand 2026
  • Spitzenbesetzung, Gehaltsreport AI & Data Rollen 2026

Häufige Fragen

Welche Fragen sollte man einem MLOps Engineer im Vorstellungsgespräch stellen?

Fragen zu CI/CD für Modelle, zur Versionierung von Modell und Daten, zu Monitoring und Drift, zu Plattform und Kosten sowie zur Aufteilung der Verantwortung im Betrieb. Die 20 Fragen auf dieser Seite decken alle Bereiche ab.

Wie erkenne ich, ob ein Kandidat MLOps oder nur DevOps kann?

Fragen Sie nach Drift an einem eigenen Beispiel, nach Retraining-Regeln und nach der Versionierung von Trainingsdaten. Wer nur Software betrieben hat, bleibt dort allgemein.

Sollte ich einem MLOps Engineer eine Programmieraufgabe geben?

Ein Architekturgespräch über Ihre heutige Strecke sagt mehr. Bewerten Sie, welche Fragen gestellt werden und was der Kandidat zuerst verbessern würde.

Welche Erfahrung sollte ein MLOps Engineer mit Sprachmodellen haben?

Für klassische Modelle ist sie kein Muss. Wenn Sie Sprachmodelle betreiben wollen, prüfen Sie Latenz, Kosten pro Anfrage und die Bewertung von Antwortqualität. Laut Gehaltsreport AI & Data Rollen 2026 bringt nachweisbare LLMOps-Erfahrung einen Gehaltsaufschlag von etwa 8 bis 18 Prozent.

Wie lange dauert es, einen MLOps Engineer einzustellen?

Im Mittelstand 14 bis 24 Wochen ab freigegebenem Profil (Top-20-Report KI-Rollen 2026).

Anfrage senden

Stelle zu besetzen?

Unverbindlich. Wir melden uns innerhalb eines Werktags persönlich bei Ihnen.

94 %
der Besetzungen halten länger als sechs Monate
72 %
der vorgestellten Profile werden zum Gespräch eingeladen
100+
besetzte Mandate

Durchschnittswerte aus über 100 besetzten Mandaten

Weitere Angaben (optional)

Stelle anfragenAntwort innerhalb eines Werktags

Anfrage starten