2006: MLOps-Ingenieur/in bei der Arbeit

Ein MLOps-Ingenieur macht Machine-Learning-Systeme nach dem Prototyp verlässlich. Data Scientists trainieren vielleicht ein Modell in einem Notebook; der MLOps-Ingenieur baut die reproduzierbaren Pipelines, Feature Stores, Bereitstellungsumgebungen, Überwachungs- und Rückrollwege, die es echten Nutzern sicher zur Verfügung stellen. Der Job liegt zwischen Data Science, Softwareentwicklung, Cloud-Infrastruktur und Risikomanagement.

Die Rolle entstand, als Unternehmen entdeckten, dass ein gutes Offline-Modell nicht dasselbe ist wie ein nützliches Produkt. Daten ändern sich, Code ändert sich, Kosten steigen, ein Modell kann sich unbemerkt verschlechtern, und eine Vorhersage braucht mitunter Erklärung oder Überprüfung. Google-Forscher beschrieben diese Anhäufung von Abhängigkeiten und Wartungsaufwand 2015 als „verdeckte technische Schuld“ in Machine-Learning-Systemen; die Branche übernahm später MLOps als Kurzform dafür, diese Schuld bewusst zu bewirtschaften.

MLOps wird gut bezahlt, weil es Breite erfordert und weil viele Organisationen versuchen, KI schneller einzusetzen, als ihre Betriebspraxis reift. Generative KI hat die Nachfrage nach Evaluation, Beobachtbarkeit und Zugriffskontrollen erhöht. Sie automatisiert zudem Teile der Arbeit — Pipeline-Vorlagen, Konfiguration und Diagnose —, sodass die dauerhafte Fähigkeit darin besteht, verlässliche Systeme zu entwerfen und zu entscheiden, welche Belege ausreichen, um einem Modell zu vertrauen.