Model registry

Wat is een model registry?

Een model registry is een centrale plek waar je machine learning-modellen beheert. Je bewaart er modelversies, metadata, status, tags en vaak ook verwijzingen naar de code, data en experimenten waarmee het model gemaakt werd.

Het lost een praktisch probleem op. Zodra je meer dan één model of meer dan één versie hebt, moet iemand weten welk model in productie draait, welk model getest wordt en welk model teruggezet kan worden bij problemen.

Een model registry is dus de catalogus en promotielijn voor modellen. Niet de plek waar je het model traint, maar wel de plek waar je beheert wat ermee gebeurt.

Wat staat er in een model registry?

• Geregistreerde modellen. De naam en context van het model, bijvoorbeeld churn_prediction.

• Modelversies. Elke training die je wil bewaren krijgt een eigen versie.

• Aliases of stages. Labels zoals production, staging of champion wijzen naar de versie die een rol heeft.

• Metadata. Denk aan parameters, metrics, trainingsdata, eigenaar, datum en opmerkingen.

Tools zoals MLflow bieden hiervoor een registry met API en gebruikersinterface. Andere MLOps-platformen hebben vergelijkbare functies.

Wanneer gebruik je een model registry?

• Wanneer modellen naar productie gaan. Je wil niet dat een los bestand op iemands laptop de bron van waarheid is.

• Wanneer meerdere versies naast elkaar bestaan. Je moet kunnen vergelijken, promoten en terugrollen.

• Wanneer governance belangrijk is. Je wil weten wie een model goedkeurde en op basis waarvan.

• Wanneer monitoring terugkoppelt. Bij model drift moet je weten welke versie impact had.

Model registry versus experiment tracking

Experiment tracking bewaart trainingsruns: parameters, metrics, artefacten en notities. Het helpt je leren welke aanpak werkte.

Een model registry beheert de modellen die belangrijk genoeg zijn om te bewaren, te reviewen of uit te rollen. Je kan het zien als de overgang van onderzoek naar beheer. Veel platforms koppelen beide: vanuit een geslaagde experimentrun registreer je een modelversie.

Waar moet je op letten bij een model registry

• Registreren is geen goedkeuren. Leg apart vast wie een model naar productie mag promoten.

• Metadata moet bruikbaar blijven. Een versie zonder trainingsdata, codeverwijzing of metric is later moeilijk te beoordelen.

• Bewaar ook waarom je iets niet koos. Afgewezen modellen helpen latere teams begrijpen welke paden al getest zijn.

• Koppel aan monitoring. Een registry zonder zicht op productieprestaties wordt snel een archief.

FAQ over model registries

1. Is een model registry nodig voor elk ML-project?
Voor een eenmalige analyse niet. Zodra een model herhaald gebruikt of uitgerold wordt, wordt registratie snel nuttig.

2. Bewaart een registry het modelbestand zelf?
Vaak wel, of ze verwijst naar de artefact store waar het bestand staat. De exacte opzet verschilt per tool.

3. Is dit hetzelfde als Git?
Nee. Git beheert code. Een model registry beheert getrainde modelartefacten en hun lifecycle.