MLOps

Wat is MLOps?

MLOps staat voor Machine Learning Operations. Het is de verzameling van praktijken, tools en rollen die machine learning-modellen van prototype naar betrouwbare productie brengen en vervolgens gezond houden. MLOps is aan ML wat DevOps is aan software-ontwikkeling: automatisering, observability, versiebeheer en samenwerking, maar met een aantal eigenheden die ML extra maken.

Een ML-oplossing verschilt namelijk op drie manieren van klassieke software:

• Het gedrag hangt niet alleen af van de code, maar ook van de data waarmee ze getraind is. Twee keer dezelfde code op andere data levert een ander model op.

• Het model degradeert vanzelf. De wereld verandert, de data schuift op, en prestaties zakken zonder dat je iets deed. Dat heet model drift.

• Fouten zijn vaak moeilijker te zien. Een buggy API crasht, een slecht model antwoordt gewoon plausibel fout.

Je kan MLOps vergelijken met het runnen van een restaurant in plaats van het bouwen van een huis. Een huis is klaar en blijft staan. Een restaurant moet elke dag opnieuw vers geleverd worden, met kwaliteitscontrole op elk bord.

Waarom MLOps?

Zonder MLOps landt heel veel AI-werk nooit in productie, of loopt het daar snel op vast. Vaak gehoorde symptomen:

Notebook-projecten die niemand anders kan draaien
Het trainen gebeurt op de laptop van één data scientist, met data die hij lokaal heeft, in een omgeving die nergens gedocumenteerd is. Een collega kan het niet reproduceren, laat staan deployen.

Modellen die stil stilvallen
Na zes maanden geeft het model slechtere voorspellingen dan bij lancering, maar niemand ziet het. Tot de business het opmerkt in een kwartaalresultaat.

Geen spoor van wat in productie draait
Welke versie, getraind op welke data, met welke hyperparameters, in welk model registry, op welke dag? Geen van de antwoorden vindbaar zonder lang zoeken.

MLOps pakt elk van die pijnpunten aan met discipline en automatisering.

De bouwstenen van een MLOps-platform

Versiebeheer
Code, data en modellen worden alle drie versiegecontroleerd. Git voor code, DVC of Delta voor datasets, een model registry voor de modellen zelf.

Reproduceerbare trainingspijplijn
Eén commando of pipeline-run start dezelfde training op dezelfde data met dezelfde parameters. Tools als MLflow, Azure Machine Learning, Databricks MLflow, Kubeflow of Metaflow ondersteunen dat.

Model registry
Een centrale plek waar goedgekeurde modellen leven met hun metadata: versie, metrische resultaten, eigenaar, stage (dev, staging, production). MLflow Model Registry, Azure ML Registry of Vertex AI Model Registry zijn gangbare keuzes.

Continuous integration en continuous deployment
Een nieuwe modelversie doorloopt geautomatiseerde tests: kwaliteitsmetrieken op een testset, bias-checks, performance-benchmarks. Pas bij slagen wordt het uitgerold naar productie, vaak eerst via shadow-deployment of A/B-test.

Monitoring
Input-data en output-voorspellingen worden live gemonitord op drift. Een verschuivende verdeling triggert een alert of zelfs automatische hertraining.

Feedback loops
Werkelijke uitkomsten (fraude wel of niet gebeurd, klant wel of niet afgehaakt) stromen terug naar het systeem. Zo kan prestatie echt gemeten worden, niet alleen de eigen testset.

Rollen binnen MLOps

MLOps is een teamsport. Typisch zijn vier rollen betrokken:

• Data engineers: zorgen voor de pipelines die features klaarzetten, zowel in training als in productie.

• Data scientists: experimenteren, trainen, valideren. Ze bouwen het model.

• ML engineers: nemen experimenten en gieten ze in productie-pipelines. De brug tussen notebook en platform.

• MLOps engineers / platform: bouwen en beheren het platform zelf, zodat alle anderen hun werk kunnen doen zonder infrastructuurwerk.

In kleinere organisaties vallen deze rollen samen, maar de taken blijven bestaan.

MLOps versus DevOps versus DataOps

DevOps richt zich op de levenscyclus van applicatiecode. Tests, deployments, monitoring van services.

DataOps richt zich op de levenscyclus van datapipelines. Data lineage, datakwaliteit, orchestration.

MLOps combineert beide en voegt de modelspecifieke stukken toe: experimenten, feature stores, drift-monitoring, hertraining.

In volwassen organisaties lopen deze disciplines samen in een geïntegreerd data- en AI-platform. Microsoft Fabric bijvoorbeeld biedt aangrenzende capaciteiten voor data-engineering, analytics en model-deployment, en koppelt die aan Azure Machine Learning voor echte MLOps-functies.

Valkuilen

Pilots die nooit naar productie gaan
Veel AI-projecten stoppen aan een dashboard met trotse test-accuracies. Begin vroeg met de productievraag: waar draait dit, wie gebruikt het, wat zijn de SLA's? Zonder antwoord op die vragen blijft elk project een prototype.

Te complex platform voor het team
Een volwassen MLOps-stack heeft al snel twintig tools. Kleine teams verzuipen daarin. Start minimaal: een model registry, een CI-pipeline, eenvoudige monitoring. Breid uit als de pijn ontstaat.

Drift-alerts die niemand leest
Monitoring zonder verantwoordelijke is alleen decoratie. Leg expliciet vast wie drift-alerts bekijkt en welke actie er volgt.

Data- en modelpriv versprinkeld
Persoonsgegevens, ethiek, AI Act-verplichtingen horen in de pipeline ingebakken, niet achteraf aangeplakt. Een goed MLOps-platform documenteert automatisch welke data gebruikt werd en waarom.

Hertraining als enige antwoord op drift
Niet elke drift vraagt hertraining. Soms is het beter om te herontwerpen, het model terug te trekken of menselijke controle toe te voegen. MLOps automatiseert, maar neemt de denkoefening niet over.