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.

Notizbuch mit unscharfer Handschrift, Lesebrille und Laptop

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

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

Block 2: Versionierung und Reproduzierbarkeit

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

Block 3: Monitoring, Drift und Retraining

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

Block 4: Plattform und Kosten

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

Block 5: Verantwortung und Zusammenarbeit

#	Frage	Gute Antwort zeigt	Warnsignal
16	Wer 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“
17	Wie bringen Sie Data Scientists dazu, Ihre Standards zu nutzen?	Vorlagen, gute Werkzeuge, gemeinsame Einführung	Setzt Regeln nur per Anweisung durch
18	Welche Dokumentation gibt es zu einem produktiven Modell?	Zweck, Daten, Grenzen, Verantwortliche, Notfallweg	Nur technische README
19	Wie gehen Sie mit Anforderungen aus Informationssicherheit oder Revision um?	Früh einbinden, Nachweise automatisch erzeugen	Sieht sie als Bremse
20	Welche Architekturentscheidung würden Sie heute anders treffen?	Echter Fehler, Folgen, Lerneffekt	Findet 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

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).

Nächster Schritt

Welcher Weg passt zu Ihrer Situation?

Wählen Sie den Pfad, der zu Ihrem Bedarf passt. Jede Erstberatung ist unverbindlich und führt zu einer ehrlichen Markt-Einschätzung.

Freelancer anfragen→Festanstellung besetzen→Diskrete Executive Search→

Verwandte Themen

Begriffe & Tiefenwissen