MLOps (Machine Learning Operations) überträgt die Prinzipien von DevOps auf den Lebenszyklus von Machine-Learning-Systemen. Ziel ist die zuverlässige, wiederholbare und skalierbare Auslieferung und Wartung von Modellen — von Datenaufbereitung über Training, Validierung, Deployment, Monitoring bis zum Retraining. MLOps schließt Aspekte wie Daten-Versionierung, Reproduzierbarkeit von Trainingsläufen, Experiment Tracking, Modell-Registry, Automated Retraining, Model Monitoring, Drift-Detection und Governance ein.
Eingesetzt wird MLOps in Unternehmen, die ML-Modelle produktiv betreiben — von Betrugserkennung in Banken über Empfehlungssysteme in Online-Shops bis zu prädiktiver Wartung in der Industrie. Werkzeuge sind unter anderem MLflow, Kubeflow, Weights & Biases, Neptune.ai, DVC (Data Version Control), Pachyderm, Metaflow (Netflix), ZenML, Flyte, Vertex AI Pipelines, Azure Machine Learning, Amazon SageMaker, Databricks und für Modellauslieferung Seldon Core, BentoML, KServe und Triton Inference Server.
Der Einsatzzweck und das gelöste Problem liegen in den Besonderheiten produktiver ML-Systeme. Klassische DevOps-Pipelines reichen nicht aus, weil ML-Systeme zusätzlich Datenpipelines, Modelle und Trainings-Workflows haben, deren Verhalten von der Datenverteilung abhängt. Modelle altern ("Concept Drift", "Data Drift"), benötigen kontinuierliches Retraining und transparente Monitoring-Metriken, die über klassische SRE-KPIs hinausgehen (Modellqualität pro Segment, Bias-Metriken, Feature-Verfügbarkeit und Inferenzlatenz). MLOps adressiert diese Lücke durch ein eigenes Werkzeug- und Prozessbild.
Historisch ist der Begriff MLOps ab etwa 2018/2019 in der Industrie aufgetaucht, oft im Anschluss an das viel zitierte Google-Paper "Hidden Technical Debt in Machine Learning Systems" (Sculley et al., NeurIPS 2015), das den hohen Anteil an "Glue Code" rund um eigentliche ML-Modelle beschrieben hat. Mit Plattformen wie TFX (TensorFlow Extended), Kubeflow (CNCF Incubating, ab 2018) und der Konsolidierung von ML-Plattformen bei AWS, Azure und Google Cloud wurde der Begriff zu einer eigenständigen Disziplin. Die Verbreitung der DORA-Forschung und das Erscheinen von Standardliteratur wie "Designing Machine Learning Systems" (Chip Huyen, 2022) haben MLOps weiter professionalisiert.
Das "Hidden Technical Debt"-Paper hat das Bild geprägt, dass die eigentlichen ML-Modelle nur einen winzigen Bruchteil eines produktiven Systems ausmachen — ein Schaubild aus dem Paper zeigt eine kleine Box "ML Code" inmitten einer großen Wolke aus Konfiguration, Datenkollektion, Feature-Extraktion, Serving-Infrastruktur und Monitoring. Dieses Bild ist seither praktisch in jedem MLOps-Vortrag wiederzufinden und gilt als prägnanteste Begründung dafür, warum "nur ein Modell trainieren" nicht ausreicht.