Hochzuverlässige ML-Deployments unterscheiden sich von normalem MLOps in einem Punkt: Ein schlechtes Modell in Produktion verursacht nicht nur schlechte UX, sondern falsche Folgeentscheidungen.
Pipeline-Architektur
Die Trainingspipeline ist ein Produktionssystem. Parameter, Dataset-Versionen und Preprocessing-Konfigurationen müssen explizite Inputs sein. Gewichte, Preprozessoren, Reports und Snapshots brauchen Artefaktversionierung. Ausführung muss reproduzierbar sein.
Kubeflow liefert Orchestrierung. Jeder Schritt läuft in einem isolierten Container mit gepinnten Abhängigkeiten; Zwischenartefakte gehören in content-addressed Storage wie S3 oder MinIO.
Deployment Gate
Der Übergang von trainiertem zu deploytem Modell ist ein Gate. Es vergleicht Ergebnisse mit Schwellenwerten, bewertet gegen das aktuelle Modell, prüft den Changelog und speichert die Freigabe.
Mit ArgoCD und GitOps öffnet Promotion idealerweise einen PR, der die Artefaktreferenz ändert. Der Merge ist das Approval Gate und das Deployment ist auditierbar.
Rollback
Modell-Rollback heißt nicht nur Versionswechsel. Es bedeutet, exakt das vorherige Artefakt per Hash in Minuten wiederherzustellen, ohne neu zu trainieren. Dieser Ablauf muss regelmäßig getestet werden.
Monitoring
Neben Latenz und Fehlern zählen Vorhersageverteilung, Feature-Verteilung und Korrelation mit Business-Metriken. Vor dem Deployment muss klar sein, welche Metrik stille Fehler zeigt, wie schnell und an wen.