Model Governance
Prozesse und Controls für den gesamten Lebenszyklus von ML-Modellen: Entwicklung, Validierung, Deployment, Monitoring und Retirement.
Model Governance kontrolliert ML-Lifecycle: Entwicklung → Approval → Deployment → Monitoring → Retirement. Model Registry und Approval Workflows sind Kern.
Erklärung
Model Governance umfasst: Model Registry (Version Control), Approval Workflows, Model Cards, Performance Monitoring, Drift Detection, Retraining Policies, Retirement Criteria. Finanzbranche führend (SR 11-7).
Relevanz für Marketing
Jedes Production-ML braucht Governance: Welches Modell läuft? Wer hat es approved? Wann wird es retired? Ohne Governance: Chaos und Risiko.
Beispiel
Ein Model Registry speichert alle Versionen des Churn-Prediction-Modells mit Metadata: Wer trainiert, welche Daten, welche Performance, wer approved für Production.
Häufige Fallstricke
Governance zu bürokratisch: Verlangsamt Innovation. Governance zu lax: Unkontrolliertes Risiko. Balance finden.
Entstehung & Geschichte
Model Risk Management stammt aus der Finanzbranche (Fed SR 11-7, 2011). Mit ML-Adoption verbreitete es sich. MLOps-Plattformen (MLflow, Weights & Biases) integrieren Governance-Features.
Abgrenzung & Vergleiche
Model Governance vs. AI Governance
AI Governance ist strategisch (Policies, Ethics); Model Governance ist operativ (Registry, Workflows, Monitoring).
Model Governance vs. MLOps
MLOps ist die technische Praxis; Model Governance ist das Kontroll-Framework darüber.