MLOps

MLOps ist die Disziplin, DevOps-Prinzipien auf Machine-Learning-Workflows anzuwenden, und umfasst den gesamten Lebenszyklus von der Datenaufbereitung über das Modelltraining bis hin zu Bereitstellung, Überwachung und erneutem Training. Es etabliert Praktiken, Werkzeuge und organisatorische Muster, die es Teams ermöglichen, ML-Systeme im Produktivbetrieb zuverlässig und effizient zu entwickeln, bereitzustellen und zu warten. MLOps adressiert die besonderen Herausforderungen von ML-Systemen, die sowohl von Code als auch von Daten abhängen, wobei sich die Modellleistung im Laufe der Zeit unbemerkt verschlechtern kann, wenn sich die Verteilung der Eingabedaten verändert.

Geospatiale ML-Systeme haben spezifische MLOps-Anforderungen. Die Datenversionierung muss nicht nur tabellarische Datensätze, sondern auch umfangreiche Satellitenbildarchive erfassen, einschließlich Sensormetadaten, Aufnahmedaten und geografischer Abdeckung. Die Experiment-Nachverfolgung dokumentiert, welche Bilddaten, Vorverarbeitungsparameter, Modellarchitektur und Hyperparameter zu welcher Modellversion geführt haben. Automatisierte Retraining-Pipelines aktualisieren Modelle, sobald neue Satellitenbilder oder Ground-Truth-Daten verfügbar werden. Die geografische Leistungsüberwachung verfolgt die Modellgenauigkeit über verschiedene Regionen hinweg und erkennt, wenn Modelle in bestimmten Gebieten unterdurchschnittlich abschneiden. Feature Stores verwalten räumliche Merkmale wie Näherungsmetriken, demografische Indikatoren und Geländeeigenschaften, die von mehreren geospatialen Modellen gemeinsam genutzt werden.

CI/CD-Pipelines (Continuous Integration/Continuous Deployment) automatisieren das Testen und Bereitstellen von Modellaktualisierungen. Modellregister erfassen alle Modellversionen mit ihrer Trainingsherkunft und ihren Leistungskennzahlen. A/B-Tests ermöglichen eine schrittweise Einführung von Modellaktualisierungen mit geografischer Stratifizierung, um sicherzustellen, dass neue Modelle die Leistung in allen Regionen verbessern. Monitoring-Dashboards erfassen Inferenzlatenz, Vorhersageverteilungen und Genauigkeitskennzahlen im Vergleich zu Ground-Truth-Daten, sofern verfügbar. Beliebte MLOps-Plattformen wie MLflow, Kubeflow und Weights & Biases werden zunehmend für geospatiale KI-Workflows eingesetzt, ergänzt durch neu entstehende Plattformen, die speziell für das Management von Erdbeobachtungsmodellen konzipiert sind.