---
title: "MLOps & Modell-Lifecycle-Management"
canonical: https://wavect.io/de/services/mlops/
language: de
description: "MLOps für versionierte Daten, reproduzierbares Training, Modellfreigaben und Drift-Überwachung. Wavect verbindet den Modell-Lifecycle mit eurer Entwicklung."
image: "https://wavect.io/img/general/bak/open_graph_preview.jpg"
---

MLOps

# Trainierte Modelle auch nach der ersten Bereitstellung reproduzieren können.

Eine Modelldatei erklärt noch nicht, welche Daten sie erzeugt haben, warum sie freigegeben wurde und wann sie geändert werden sollte. Wir bauen den Lebenszyklus darum so auf, dass dein Team Ergebnisse reproduzieren, Ersatzmodelle prüfen und fehlerhafte Releases zurücknehmen kann.

DER AUFTRAG

## Das Modell von den Daten bis zur Bereitstellung verfolgen.

1. **Ablauf rekonstruieren** Daten, Features, Experimente, Artefakte und Freigabeentscheidungen erfassen.
2. **Kontrollen automatisieren** Wiederholbare Jobs, Evaluationsprüfungen und versionierte Bereitstellung.
3. **Reaktion zuordnen** Verantwortliche für Überwachung, Rollback und erneutes Training benennen.

KURZ ERKLÄRT

MLOps organisiert den Lebenszyklus trainierter Machine-Learning-Modelle: Daten- und Artefaktversionen, wiederholbares Training, Freigabeprüfungen, Bereitstellung, Überwachung und kontrolliertes Nachtrainieren. Änderungen werden nachvollziehbar und betrieblich zugeordnet.

Geeignet für

- Teams mit manuell bereitgestellten oder nicht reproduzierbaren Modellen
- Produkte mit Bedarf an einem kontrollierten Weg von neuen Trainingsdaten zur Modellfreigabe

Andere Ausgangslage

- Die Entwicklung eines ersten Modells vor geklärter Machbarkeit
- Prompt- und Retrieval-Evaluation einer bestehenden LLM-Anwendung

## Einen Modellpfad wiederholbar machen

Wir beginnen mit einem repräsentativen Modell und erfassen Quelldaten, Transformationen, Trainingsumgebung, Artefakte und Zielumgebung. Versteckte Notebook-Schritte und manuelle Dateikopien werden zu sichtbaren Abhängigkeiten. Ist die Nützlichkeit eines Modells noch offen, beginnt der Auftrag mit [Machine Learning](/de/services/machine-learning/), bevor in Lifecycle-Infrastruktur investiert wird.

## Genügend Informationen für eine Reproduktion festhalten

Der Ablauf erfasst Datensatzreferenzen, Feature-Definitionen, Codeversionen, Parameter und Evaluationsergebnisse. Ein produktives Artefakt lässt sich dadurch mit den Nachweisen seiner Freigabe verbinden. Speicher- und Zugriffskonzepte berücksichtigen sensible oder lizenzierte Trainingsdaten. Vorhandene Engineering-Werkzeuge werden weiterverwendet, soweit sie die Anforderungen erfüllen.

## Neue Kandidaten anhand von Nachweisen freigeben

Ein neues Modell wird vor der Freigabe gegen die akzeptierte Baseline und relevante Teilgruppen geprüft. Je nach Anwendung erfolgt die Bereitstellung über gestaffelten Verkehr, parallele Schattenvorhersagen oder einen begrenzten Stapel. Wir definieren Rollback-Voraussetzungen, kompatible Feature-Versionen und Freigaberechte. Allgemeine Repository- und Pipeline-Sicherheit bleibt bei [DevSecOps](/de/services/devsecops/).

## Veränderte Eingaben und schlechtere Entscheidungen unterscheiden

Datendrift zeigt veränderte Eingaben, aber nicht automatisch einen geringeren Geschäftsnutzen. Wir definieren brauchbare Signale, die Verfügbarkeit tatsächlicher Ergebnisse und die Reaktion auf jeden Alarm. Nachtraining kann zeit- oder ereignisgesteuert erfolgen; eine Veröffentlichung folgt weiterhin der vereinbarten Evaluation. Meldungen ohne interpretierbare Bedeutung oder zuständige Person erhalten keinen Platz im Betriebskonzept.

## Beispiel einer Abnahme: Ein schwächeres Ersatzmodell wird blockiert

Ein Kandidat verbessert den Gesamtwert, verschlechtert sich aber für eine wichtige Kundengruppe. Eine beispielhafte Freigabeprüfung stoppt die Veröffentlichung und erhält das bisherige Artefakt. Das Team kann den Vergleich reproduzieren und die verwendeten Datensätze prüfen. Eine separate Rollback-Probe bestätigt die Rückkehr zu einer vorherigen kompatiblen Modell- und Feature-Version.

## Eine ausführbare Betriebsroutine hinterlassen

Zur Übergabe gehören Pipelines, Regeln für Artefakte und Datensätze, Dashboards, Freigabekriterien und Anleitungen für Störungen. Infrastruktur, Überwachungszeiten und Reaktionsverantwortung werden ausdrücklich vereinbart. Dieser Auftrag schafft Werkzeuge für den Modell-Lifecycle. Ein laufender [Managed-Cloud-Operations-Vertrag](/de/services/managed-cloud-operations/) erhält einen eigenen Leistungsumfang und eigene Bedingungen.

## Fragen vor dem Start

### Brauchen wir eine große MLOps-Plattform?

Nicht zwingend. Für wenige Modelle können ein reproduzierbarer Job, ein Artefaktspeicher und ein klarer Freigabenachweis genügen. Orchestrierung oder Registry kommen hinzu, wenn der Ablauf sie benötigt.

### Wird automatisch nachtrainiert?

Das ist möglich, wenn Datenzugriff und Evaluation es erlauben. Das Training eines Kandidaten und dessen Freigabe für den Produktivbetrieb bleiben getrennte Schritte.

### Könnt ihr Modelle eines anderen Teams übernehmen?

Ja, nach Prüfung von Codezugriff, Datennutzungsrechten und Artefakten. Fehlende Trainingshistorie wird dokumentiert; sie lässt sich nicht einfach aus der ausgelieferten Datei ableiten.

### Ist MLOps dasselbe wie LLMOps?

Bei Bereitstellung und Überwachung gibt es Überschneidungen. Prompt-Versionen, Retrieval-Qualität und Bewertungen generierter Antworten gehören zur KI-Evaluierung & LLMOps. Hier stehen trainierte Modelle und Datensätze im Mittelpunkt.

## Der passende nächste Schritt

- [Ein prädiktives Modell entwickeln](/de/services/machine-learning/)
- [LLM-Anwendungen evaluieren](/de/services/ai-evaluation-llmops/)
- [Die Auslieferung absichern](/de/services/devsecops/)

## Structured Data

```json
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@id": "https://wavect.io/#organization",
      "@type": [
        "Organization",
        "ProfessionalService",
        "LocalBusiness"
      ],
      "employee": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "founder": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "legalRepresentative": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "name": "Wavect GmbH",
      "subjectOf": {
        "@id": "https://wavect.io/verified-claims.json#dataset",
        "@type": "Dataset",
        "creator": {
          "@id": "https://wavect.io/#organization",
          "@type": [
            "Organization",
            "ProfessionalService",
            "LocalBusiness"
          ]
        },
        "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.",
        "inLanguage": "en",
        "isAccessibleForFree": true,
        "license": "https://creativecommons.org/licenses/by/4.0/",
        "name": "Wavect verified publication claims",
        "url": "https://wavect.io/verified-claims.json"
      },
      "url": "https://wavect.io/"
    },
    {
      "@id": "https://wavect.io/team/kevin-riedl/#person",
      "@type": "Person",
      "jobTitle": "Managing Director",
      "name": "Kevin Riedl",
      "sameAs": [
        "https://www.wikidata.org/wiki/Q139796365",
        "https://www.linkedin.com/in/wsdt",
        "https://github.com/wsdt"
      ],
      "url": "https://wavect.io/team/kevin-riedl/",
      "worksFor": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      }
    },
    {
      "@id": "https://wavect.io/team/christof-jori/#person",
      "@type": "Person",
      "jobTitle": "Managing Director",
      "name": "Christof Jori",
      "sameAs": [
        "https://www.wikidata.org/wiki/Q139796367",
        "https://www.linkedin.com/in/jocr77/",
        "https://github.com/jo-chris"
      ],
      "url": "https://wavect.io/team/christof-jori/",
      "worksFor": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      }
    },
    {
      "@id": "https://wavect.io/#website",
      "@type": "WebSite",
      "inLanguage": [
        "en",
        "de",
        "es",
        "zh"
      ],
      "name": "Wavect",
      "potentialAction": {
        "@type": "SearchAction",
        "query-input": "required name=search_term_string",
        "target": {
          "@type": "EntryPoint",
          "urlTemplate": "https://wavect.io/search/?q={search_term_string}"
        }
      },
      "publisher": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      },
      "url": "https://wavect.io/"
    }
  ]
}
```

```json
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@id": "https://wavect.io/de/services/mlops/#service",
      "@type": "Service",
      "areaServed": [
        {
          "@type": "Country",
          "name": "Austria"
        },
        {
          "@type": "Place",
          "name": "Worldwide"
        }
      ],
      "category": "Künstliche Intelligenz",
      "dateModified": "2026-10-31",
      "description": "MLOps für versionierte Daten, reproduzierbares Training, Modellfreigaben und Drift-Überwachung. Wavect verbindet den Modell-Lifecycle mit eurer Entwicklung.",
      "name": "MLOps & Modell-Lifecycle-Management",
      "provider": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      },
      "serviceType": "MLOps",
      "url": "https://wavect.io/de/services/mlops/"
    },
    {
      "@type": "BreadcrumbList",
      "itemListElement": [
        {
          "@type": "ListItem",
          "item": "https://wavect.io/de/",
          "name": "Startseite",
          "position": 1
        },
        {
          "@type": "ListItem",
          "item": "https://wavect.io/de/services/overview/",
          "name": "Leistungen",
          "position": 2
        },
        {
          "@type": "ListItem",
          "item": "https://wavect.io/de/services/overview/#ai",
          "name": "Künstliche Intelligenz",
          "position": 3
        },
        {
          "@type": "ListItem",
          "item": "https://wavect.io/de/services/mlops/",
          "name": "MLOps",
          "position": 4
        }
      ]
    },
    {
      "@id": "https://wavect.io/de/services/mlops/#webpage",
      "@type": "WebPage",
      "dateModified": "2026-10-31",
      "description": "MLOps für versionierte Daten, reproduzierbares Training, Modellfreigaben und Drift-Überwachung. Wavect verbindet den Modell-Lifecycle mit eurer Entwicklung.",
      "inLanguage": "de",
      "isPartOf": {
        "@id": "https://wavect.io/#website",
        "@type": "WebSite"
      },
      "mainEntity": {
        "@id": "https://wavect.io/de/services/mlops/#service"
      },
      "name": "MLOps & Modell-Lifecycle-Management",
      "url": "https://wavect.io/de/services/mlops/"
    }
  ]
}
```

```json
{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Nicht zwingend. Für wenige Modelle können ein reproduzierbarer Job, ein Artefaktspeicher und ein klarer Freigabenachweis genügen. Orchestrierung oder Registry kommen hinzu, wenn der Ablauf sie benötigt."
      },
      "name": "Brauchen wir eine große MLOps-Plattform?"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Das ist möglich, wenn Datenzugriff und Evaluation es erlauben. Das Training eines Kandidaten und dessen Freigabe für den Produktivbetrieb bleiben getrennte Schritte."
      },
      "name": "Wird automatisch nachtrainiert?"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Ja, nach Prüfung von Codezugriff, Datennutzungsrechten und Artefakten. Fehlende Trainingshistorie wird dokumentiert; sie lässt sich nicht einfach aus der ausgelieferten Datei ableiten."
      },
      "name": "Könnt ihr Modelle eines anderen Teams übernehmen?"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Bei Bereitstellung und Überwachung gibt es Überschneidungen. Prompt-Versionen, Retrieval-Qualität und Bewertungen generierter Antworten gehören zur KI-Evaluierung & LLMOps. Hier stehen trainierte Modelle und Datensätze im Mittelpunkt."
      },
      "name": "Ist MLOps dasselbe wie LLMOps?"
    }
  ],
  "speakable": {
    "@type": "SpeakableSpecification",
    "cssSelector": [
      ".faq-question",
      ".faq-answer"
    ]
  }
}
```