Modell-Versionierung
Systematische Verwaltung verschiedener Versionen trainierter ML-Modelle inklusive Metadaten, Artefakte und Lineage.
Modell-Versionierung trackt alle Modell-Artefakte, Metadaten und Lineage – unverzichtbar für Rollbacks und AI-Governance.
Erklärung
Model Versioning umfasst das Speichern von Modell-Gewichten, Training-Konfiguration, Daten-Snapshots und Performance-Metriken für jede Version. Es ermöglicht Rollbacks, Vergleiche und Auditing.
Relevanz für Marketing
Modell-Versionierung ist Voraussetzung für sichere Rollbacks und regulatorische Compliance (EU AI Act).
Häufige Fallstricke
Nur Gewichte versionieren ohne Training-Code. Storage-Kosten bei vielen Versionen. Keine klare Naming Convention.
Entstehung & Geschichte
Frühe ML-Teams speicherten Modelle mit Timestamps in Dateisystemen. Git LFS und DVC (2017) brachten Git-basierte Versionierung. MLflow Model Registry (2018) formalisierte Stage-basierte Versionierung. Hugging Face Hub demokratisierte Open-Source-Modell-Versionierung.
Abgrenzung & Vergleiche
Modell-Versionierung vs. Data Versioning
Data Versioning trackt Datasets; Model Versioning trackt trainierte Modelle – beide sind für Reproduzierbarkeit nötig.
Modell-Versionierung vs. Code Versioning (Git)
Git versioniert Code (kleine Dateien); Model Versioning handhabt große Binärdateien (GB) mit spezialisierten Tools.