Den Datenvertrag versionieren
Ein reproduzierbares Modell braucht mehr als einen Code-Commit: Eingabeschema, Extraktionslogik, Zeitfenster und Transformationen festhalten, damit ein späterer Lauf dasselbe bedeutet.
MLOps ist nicht einfach die Installation eines Frameworks. Das Handwerk besteht darin, jede wichtige Änderung — Daten, Code, Parameter, Umgebung und Modell — so nachvollziehbar zu machen, dass ein Team ein Ergebnis reproduzieren und bei Bedarf sicher rückgängig machen kann.
Starke Praktiker können zwischen Ebenen wechseln: Sie verstehen einen Datenqualitätsfehler, einen Trainingsengpass, eine Container-Bereitstellung und eine Produktmetrik gut genug, um die richtigen Leute zusammenzubringen. Ihre Arbeit verringert den Abstand zwischen einem vielversprechenden Experiment und einem verlässlichen Dienst.
Was die Arbeit verlangt
Softwaretechnik85
Cloud und Infrastruktur88
Data Engineering86
Machine-Learning-Wissen76
Beobachtbarkeit und Zuverlässigkeit84
Funktionsübergreifende Kommunikation78
Softwaretechnik
Testbare Dienste, APIs und Automatisierung bauen, die andere Ingenieure pflegen können.
Cloud und Infrastruktur
Container, Speicher, Netzwerk und Rechenleistung effizient und sicher betreiben.
Data Engineering
Verlässliche, versionierte Datenflüsse mit Qualitätsprüfungen und Herkunftsnachweis schaffen.
Machine-Learning-Wissen
Training, Evaluation, Inferenz und Drift gut genug verstehen, um Modelle verantwortungsvoll zu betreiben.
Beobachtbarkeit und Zuverlässigkeit
Latenz, Kosten, Datenqualität und Modellergebnisse messen, bevor Nutzer einen Fehler entdecken.
Funktionsübergreifende Kommunikation
Forscher, Entwickler, Sicherheitsteams und Produktverantwortliche bei Belegen und Zielkonflikten aufeinander abstimmen.
Ein Tag im Leben
- 7–9
Dashboards und Sichtung
Pipeline-Gesundheit, Inferenzlatenz, Kosten, Datenprüfungen und nächtliche Alarme durchsehen.
- 9–12
Plattformtechnik
Eine Pipeline, Bereitstellungsvorlage, Registerintegration oder Infrastrukturengstelle verbessern.
- 12–13
Pause und Experiment-Review
Vom Betrieb abschalten und Modell- oder Plattformergebnisse mit Teamkolleg/innen vergleichen.
- 13–16
Daten- und Modellzusammenarbeit
Mit Data Scientists und Produktteams an Evaluation, Trainingsdaten oder einem Produktionsstart arbeiten.
- 16–19
Tests und Dokumentation
Bereitstellungsprüfungen durchführen, Runbooks aktualisieren, Regressionen untersuchen und Übergabenotizen vorbereiten.
- 19–7
Dienstfrei oder Rufbereitschaft
Die meiste Arbeit ist geplant; Produktionsvorfälle, fehlgeschlagenes Training oder Kostenspitzen können einen Alarm auslösen.
Das Know-how
Handwerkswissen, das Praktiker tatsächlich weitergeben — keine Motivationssprüche.
Offline und online getrennt messen
Eine Benchmark-Metrik kann sich verbessern, während sich Nutzerergebnisse verschlechtern. Online-Leitplanken definieren und kontrollierte Releases gegen den echten Entscheidungskontext vergleichen.
Rückrollung unspektakulär machen
Ein bekanntermaßen funktionierendes Modell und einen Bereitstellungsweg verfügbar halten und die Rückkehr dazu üben, bevor ein risikoreicher Start Druck erzeugt.
Eingaben vor Ausgaben beobachten
Eingabeverteilungen offenbaren oft defekte vorgelagerte Quellen oder sich verändernde Populationen, bevor ein verzögertes Ergebnis-Label Modellverschlechterung bestätigen kann.
Features als Abhängigkeiten behandeln
Ein von einem anderen Dienst erzeugtes Feature braucht Zuständigkeit, Aktualitätserwartungen und Tests; sonst wird eine Trainings-Serving-Diskrepanz zu einem verdeckten Ausfall.
Zeit für Evaluation einplanen
Schnelle Bereitstellung ohne wiederholbares Evaluationsset verschiebt Unsicherheit nur in die Produktion. Vor der Auslieferung Rechenkapazität, Prüfer und Entscheidungskriterien reservieren.
Werkzeuge des Handwerks
Versionskontrolle und CI/CD
Git und automatisierte Pipelines versionieren Code, testen Änderungen und befördern Artefakte zwischen Umgebungen.
Container und Kubernetes
Docker und Kubernetes verpacken und planen Trainings- oder Bereitstellungs-Workloads über Rechenressourcen hinweg.
Experimentverfolger und Modellregister
Werkzeuge wie MLflow oder Cloud-Register erfassen Läufe, Artefakte, Freigaben und einsatzfähige Modellversionen.
Workflow-Orchestrator
Airflow, Kubeflow Pipelines, Dagster oder verwaltete Dienste planen wiederholbare Daten- und Trainings-Workflows.
Überwachung und Datenvalidierung
Beobachtbarkeitsplattformen und Validierungsbibliotheken verfolgen Dienstgesundheit, Datenqualität, Drift und Geschäftsergebnisse.
Wie man daran scheitert
Sprung vom Notebook in die Produktion
Ein einmaliges Experiment ohne Pipeline, Zuständigkeit oder Überwachung bereitzustellen lässt die erste Datenänderung zum Vorfall werden.
Tunnelblick auf Metriken
Die Optimierung eines Offline-Wertes kann Latenz-, Kosten-, Fairness- oder Schadensregressionen verbergen, die erst in der Produktion sichtbar werden.
Datenabhängigkeiten ohne Zuständigen
Anzunehmen, eine Quelltabelle oder ein Feature bleibe stabil, schafft stille Ausfälle, wenn ein anderes Team es ändert.
Ähnliche Berufe
Die nächsten Nachbarn im Sechs-Werte-Profil — nicht nur im selben Feld.
🔐
IT-Sicherheitsspezialist/in
Schützt Systeme, Daten und Menschen, indem digitale Angriffe erkannt, verhindert und abgewehrt werden.
KI-resistent 63 🧫Klinischer Datenwissenschaftler
Verwendet klinische Daten, Studiendaten und Daten des Gesundheitssystems, um zuverlässige Beweise für eine sicherere Pflege, Forschung und betriebliche Entscheidungen zu generieren.
KI-resistent 68 🔌Halbleiteringenieur/in
Entwirft und fertigt die Transistoren in jedem Computer, Telefon und jeder Waffe — mit Maschinen, die so präzise sind, dass sie nur wenige Fabriken der Welt betreiben können.
KI-resistent 60 🦾Robotikingenieur/in
Entwirft die Maschinen, die die physische Welt wahrnehmen, entscheiden und in ihr handeln — das schwere Problem war nie Intelligenz, sondern die Welt selbst.
KI-resistent 65 🌿Nachhaltigkeitsmanager/in
Leitet Strategie, Messung und Berichterstattung, mit denen Organisationen Umwelt- und Sozialschäden verringern und zugleich geschäftliche Pflichten erfüllen.
KI-resistent 66 👔Rechtsanwalt
Berät Mandanten, verfasst die Dokumente, die sie binden, und vertritt ihren Fall vor Gericht — und haftet dabei persönlich, wenn der Rat falsch war.
KI-resistent 58Weiter entdecken
Weiter entdecken
Mehr in Ingenieurwesen & Technik
💻
Softwareentwickler/in
Schreibt, testet und wartet den Code, der das moderne Leben antreibt — und beobachtet als einer der ersten Berufe, wie KI seine eigene tägliche Arbeit automatisiert.
KI-resistent 35 🤖KI-Forscher
Entwirft und testet die Algorithmen hinter der maschinellen Intelligenz in einem Bereich, der derzeit darum kämpft, einen wachsenden Teil seines eigenen Forschungsprozesses zu automatisieren.
KI-resistent 50 🛰️Luft- und Raumfahrtingenieur
Entwirft, analysiert und zertifiziert die Flugzeuge, Raketen und Raumfahrzeuge, die den Boden verlassen, und arbeitet dabei mit Sicherheitsmargen, die keinen Raum für Vermutungen lassen.
KI-resistent 74 🌉Bauingenieur
Der Beruf, der Flüsse, Felsen und Schwerkraft in Brücken, Straßen und sauberes Wasser verwandelt – seit Imhotep das stille tragende Gewerbe der Zivilisation.
KI-resistent 72 🔌Halbleiteringenieur/in
Entwirft und fertigt die Transistoren in jedem Computer, Telefon und jeder Waffe — mit Maschinen, die so präzise sind, dass sie nur wenige Fabriken der Welt betreiben können.
KI-resistent 60 🦾Robotikingenieur/in
Entwirft die Maschinen, die die physische Welt wahrnehmen, entscheiden und in ihr handeln — das schwere Problem war nie Intelligenz, sondern die Welt selbst.
KI-resistent 65 🔐IT-Sicherheitsspezialist/in
Schützt Systeme, Daten und Menschen, indem digitale Angriffe erkannt, verhindert und abgewehrt werden.
KI-resistent 63 🌬️Ingenieur/in für erneuerbare Energien
Entwirft, baut und verbessert Wind-, Solar-, Speicher- und Netzsysteme, die erneuerbare Ressourcen in verlässlichen Strom verwandeln.
KI-resistent 72