2015: MLOps-Ingenieur/in bei der Arbeit

Wie unterscheidet sich MLOps von Data Science? Data Scientists konzentrieren sich meist auf Problemrahmen, Datenanalyse und Modellentwicklung. MLOps konzentriert sich darauf, Modelle über die Zeit reproduzierbar, einsetzbar und beobachtbar zu machen. Die Unterscheidung ist nicht absolut: Starke Teams arbeiten bei Evaluation und Datenqualität zusammen, während MLOps-Ingenieure genug ML-Wissen brauchen, um zu verstehen, wie ein Modell nach der Bereitstellung versagen kann.

Brauche ich für MLOps einen Masterabschluss? Nein. Ein Abschluss in Informatik, Ingenieurwesen oder mit Datenschwerpunkt ist üblich, doch praktische Erfahrung mit Software, Cloud und Datenplattformen kann mehr zählen als ein fortgeschrittener Forschungsabschluss. Rollen, die neuartige Modelle entwickeln, bevorzugen eventuell ein Graduiertenstudium; Rollen, die ML-Plattformen betreiben, schätzen meist Produktionsentwicklung, Infrastruktur und sorgfältiges Experimentieren ebenso hoch.

Welche Programmiersprachen nutzen MLOps-Ingenieure? Python ist verbreitet, weil die meisten ML-Ökosysteme darauf setzen. SQL ist für die Datenarbeit unerlässlich, während Docker, YAML und Infrastructure-as-Code-Konfigurationen alltägliche Werkzeuge sind. Manche Plattformteams nutzen auch Go, Java, Scala oder TypeScript. Entscheidend ist nicht die Treue zu einer Sprache, sondern eine Pipeline testbar, versioniert und beobachtbar zu machen.