Glossar

Machine-Learning-Pipeline

Was ist Machine-Learning-Pipeline?

Eine Machine-Learning-Pipeline ist eine festgelegte Abfolge von Arbeitsschritten, die Rohdaten in ein einsatzfähiges Modell überführt: Daten sammeln, bereinigen, Merkmale aufbereiten, trainieren, bewerten, bereitstellen und überwachen. Durch die Automatisierung werden Ergebnisse reproduzierbar, und neue Daten lassen sich mit wenig Aufwand verarbeiten. Ein Händler kann so etwa sein Absatzprognosemodell jede Woche automatisch mit aktuellen Verkaufszahlen neu trainieren und prüfen.

Themen

MLOps
Automatisierung
Datenverarbeitung

KI.ordo ausprobieren

Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.

Demo starten

← Alle Begriffe

Verwandte Begriffe

Datenbereinigung

Datenbereinigung bezeichnet das Erkennen und Korrigieren fehlerhafter, doppelter oder uneinheitlicher Einträge in Datenbeständen. Typische Schritte sind das Vereinheitlichen von Schreibweisen und Datumsformaten, das Entfernen überflüssiger Leerzeichen und das Zusammenführen von Dubletten wie „Müller GmbH“ und „Mueller GmbH“. Saubere Daten sind Voraussetzung für verlässliche Auswertungen, Mailings und KI-Anwendungen.

Datenqualität
Dubletten
+1

Vorlage

Feature Engineering und Extraktion

Feature Engineering bezeichnet das Auswählen, Umformen und Neubilden von Merkmalen (Features) aus Rohdaten, damit ein Lernverfahren Muster besser erkennt. Bei der Feature-Extraktion werden aus komplexen Daten wie Texten, Bildern oder Signalen kompakte, aussagekräftige Kennwerte gewonnen. Beispiel: Aus einzelnen Kaufdaten entstehen Merkmale wie „Tage seit letztem Kauf“ oder „durchschnittlicher Bestellwert“, die eine Kündigungsprognose deutlich verbessern können.

Maschinelles Lernen
Datenaufbereitung
+1

MLflow

MLflow ist eine quelloffene Plattform zur Verwaltung des gesamten Lebenszyklus von Machine-Learning-Modellen, ursprünglich 2018 von Databricks vorgestellt. Sie protokolliert Experimente mit Parametern und Kennzahlen, verwaltet Modellversionen in einer Registry und erleichtert die Bereitstellung. Neuere Versionen unterstützen zudem das Nachverfolgen und Bewerten von Anwendungen mit Sprachmodellen. Teams können so nachvollziehen, welches Modell mit welchen Daten und Einstellungen entstanden ist.

MLOps
Open Source
+1

Kubeflow

Kubeflow ist eine quelloffene Plattform, um Arbeitsabläufe des maschinellen Lernens auf Kubernetes zu betreiben – von Datenvorbereitung über Training und Hyperparameter-Suche bis zur Bereitstellung von Modellen. Das ursprünglich von Google initiierte Projekt gehört zur Cloud Native Computing Foundation und hat dort im August 2026 den Status „graduated“ erreicht (Stand: Oktober 2026). Es richtet sich vor allem an Teams, die eigene Modelle in großem Maßstab auf eigener oder Cloud-Infrastruktur trainieren.

MLOps
Kubernetes
+1