CI/CD für ML
Continuous Integration und Continuous Delivery angepasst für Machine-Learning-Workflows mit Daten-, Code- und Modell-Validierung.
CI/CD für ML automatisiert Testen, Validieren und Deployen von ML-Modellen – über Code hinaus auch für Datenqualität und Modell-Performance.
Erklärung
ML-CI/CD erweitert klassische CI/CD um Daten-Validierung, Modell-Training-Pipelines, Performance-Regression-Tests, Model-Registry-Integration und automatisiertes Canary-Deployment.
Relevanz für Marketing
CI/CD für ML ist essentiell für reproduzierbare, zuverlässige ML-Systeme in Produktion.
Häufige Fallstricke
Nur Code testen, nicht Daten und Modelle. Keine Performance-Baselines definieren. Training in CI zu langsam.
Entstehung & Geschichte
Google veröffentlichte 2020 das einflussreiche MLOps-Whitepaper mit drei Maturity Levels für ML-CI/CD. GitHub Actions und GitLab CI/CD wurden für ML-Workflows adaptiert. Tools wie CML (DVC) machten ML-CI/CD ab 2020 zugänglicher.
Abgrenzung & Vergleiche
CI/CD für ML vs. Traditional CI/CD
Klassische CI/CD testet Code; ML-CI/CD testet zusätzlich Datenqualität, Modell-Performance und Training-Reproduzierbarkeit.
CI/CD für ML vs. MLOps
CI/CD ist ein Baustein von MLOps; MLOps umfasst zusätzlich Monitoring, Governance und den gesamten ML-Lifecycle.