Ein ML-Modell in der Produktion degradiert. Die Welt verändert sich, die Daten verändern sich, und ein vor 6 Monaten trainiertes Modell spiegelt die Realität nicht mehr wider. Ohne Monitoring erfährt man es erst, wenn sich Kunden beschweren.
Arten von Drift¶
- Data Drift — die Verteilung der Eingabedaten ändert sich (neues Kundensegment)
- Concept Drift — die Beziehung zwischen Features und Target ändert sich (Verhaltensänderung)
- Prediction Drift — die Verteilung der Vorhersagen ändert sich
Evidently AI für Drift Detection¶
Evidently — ein Open-Source-Framework für ML-Monitoring. Generiert Drift-Berichte, vergleicht Produktionsdaten mit Trainingsdaten. Integration mit einem Grafana-Dashboard — Alerting bei Überschreitung von Schwellenwerten.
Automatische Retraining-Pipeline¶
Drift erkannt → Airflow startet die Retraining-Pipeline → neues Modell in MLflow → automatische Evaluation → wenn besser → Staging → manuelle Freigabe → Production. Der gesamte Zyklus in unter 4 Stunden.
Das Deployment eines Modells ist nicht das Ende — es ist der Anfang¶
Ein ML-Modell ohne Monitoring ist eine stille Katastrophe. Drift Detection + automatisches Retraining = ein nachhaltiges ML-System.
Brauchen Sie Hilfe bei der Implementierung?
Unsere Experten helfen Ihnen bei Design, Implementierung und Betrieb. Von der Architektur bis zur Produktion.
Kontaktieren Sie uns