ModelOps (Modell-Operationalisierung) ist die Disziplin, die den vollständigen Lebenszyklus von Modellen der Künstlichen Intelligenz und des Maschinellen Lernens in Produktivumgebungen verwaltet, von der Bereitstellung bis zur Außerbetriebnahme. Es geht über die Modellentwicklung hinaus: Der Schwerpunkt liegt auf der systematischen und kontrollierten Governance, Überwachung, Versionierung und dem Retraining von Modellen, sobald diese in Betrieb sind.
Seine Bedeutung liegt darin, dass ein bereitgestelltes Modell kein statisches Gut ist: Seine Leistung verschlechtert sich im Laufe der Zeit durch Data Drift (Änderungen der Eingabedaten) oder Concept Drift (Änderungen in der Beziehung, die das Modell erlernt hat). ModelOps liefert die Prozesse, um diese Probleme zu erkennen und zu beheben, und gewährleistet zudem Rückverfolgbarkeit, Compliance und Auditierung.
In der Praxis umfasst es Aufgaben wie:
- Kontinuierliche Überwachung von Genauigkeits- und Latenzmetriken.
- Automatisiertes Retraining, wenn die Leistung abfällt.
- Versionskontrolle und Rollback auf vorherige Modelle.
Es sollte von MLOps abgegrenzt werden: ModelOps nimmt eine breitere Governance-Perspektive ein, die auch auf analytische oder regelbasierte Modelle anwendbar ist, nicht nur auf Maschinelles Lernen.