Glossar

MLflow

Was ist 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.

Themen

MLOps
Open Source
Modellverwaltung

KI.ordo ausprobieren

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

Demo starten

← Alle Begriffe

Verwandte Begriffe

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.

MLOps
Automatisierung
+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

Amazon SageMaker

Amazon SageMaker ist der Cloud-Dienst von Amazon Web Services (AWS) zum Entwickeln, Trainieren und Betreiben von Modellen des maschinellen Lernens. Ende 2024 wurde der bisherige Dienst in „Amazon SageMaker AI“ umbenannt; „Amazon SageMaker“ bezeichnet seither eine umfassendere Plattform für Daten, Analytik und KI mit der Oberfläche SageMaker Unified Studio (Stand: Oktober 2026). Genutzt wird SageMaker vor allem von Data-Science-Teams, die Modelle in der AWS-Infrastruktur betreiben.

Cloud
MLOps
+1

Model Drift

Model Drift beschreibt das allmähliche Nachlassen der Vorhersagequalität eines Modells im laufenden Betrieb, weil sich die Wirklichkeit gegenüber den Trainingsdaten verändert. Man unterscheidet Veränderungen der Eingabedaten (Data Drift) und Veränderungen des Zusammenhangs zwischen Eingaben und Ergebnis (Concept Drift). Beispiel: Ein Betrugserkennungsmodell übersieht neue Betrugsmaschen. Gegenmittel sind laufende Überwachung von Kennzahlen und regelmäßiges Nachtrainieren.

MLOps
Modellqualität
+1