Was ist eine Model Registry?
PlattformEine Model Registry ist der zentrale Speicher für Machine-Learning-Modelle: Jedes Modell wird mit Version, Metadaten und Status abgelegt, durchläuft eine Freigabe und kann von dort reproduzierbar in den Produktivbetrieb ausgerollt werden.
Kurz vorwegDie Registry macht Modellwechsel nachvollziehbar - das ist die Basis für Vertrauen in KI. Zum KI-Beratungsgespräch
Model Registry: Definition
Eine Model Registry ist das Versionskontrollsystem für Machine-Learning-Modelle. Wo Git Code verwaltet, verwaltet die Registry Modelle: Jedes trainierte Modell erhält eine eindeutige Version, gespeichert werden Parameter, Metriken, Trainingsdaten-Referenz und das Artefakt selbst. Damit wird nachvollziehbar, welches Modell mit welchen Daten entstanden ist und warum es freigegeben wurde.
Der Ablauf ist ein Lebenszyklus: Ein Modell wird registriert, als Kandidat markiert, durchläuft Tests und Bewertung, erhält den Status Produktion und kann bei Problemen auf eine Vorversion zurückgesetzt werden. Der entscheidende Punkt: Freigaben sind dokumentierte Entscheidungen, kein Handauflegen. Wer ein Modell in Produktion bringt, hinterlässt in der Registry eine Spur - das ist die Grundlage für Audits und für Vertrauen in KI-Systeme.
Werkzeuge wie MLflow, Databricks oder Kubeflow bringen eine Registry mit. Sie ist damit kein eigenständiges Produkt, sondern eine Fähigkeit der MLOps-Plattform. Für kleine Teams reicht die integrierte Registry von MLflow; größere Umgebungen kombinieren sie mit Feature Store und Pipeline-Plattform.
- Englisch
- Model Registry
- Zweck
- ML-Modelle zentral versionieren, freigeben und ausrollen
- Kernidee
- Freigaben sind dokumentierte Entscheidungen, kein Handauflegen
- Werkzeuge
- MLflow, Databricks, Kubeflow
- Abgrenzung
- Experiment Tracking protokolliert Läufe, die Registry verwaltet die freigegebenen Modelle
Wie funktioniert eine Model Registry?
Der Lebenszyklus eines Modells in der Registry folgt festen Stationen, jede mit eigenem Status:
- RegistrierenEin trainiertes Modell wird mit Version, Metriken und Referenz auf Trainingsdaten abgelegt - als Kandidat, noch nicht als Produktivmodell.
- Bewerten und freigebenDas Modell durchläuft Tests gegen einen Bewertungsdatensatz. Erst nach bestandener Prüfung erhält es den Status Produktion - dokumentiert, mit Verantwortlichem und Datum.
- AusrollenDas freigegebene Modell wird über die Pipeline in den Betrieb gebracht. Die Registry liefert dabei exakt das Artefakt, das freigegeben wurde.
- Überwachen und zurückrollenSinkt die Qualität im Betrieb, wird auf eine dokumentierte Vorversion zurückgerollt. Die Registry macht den Wechsel nachvollziehbar.
Wann braucht ein Team eine Model Registry?
- mehrere Modelle oder Versionen parallel existieren und gepflegt werden
- Modelle produktiv laufen und bei Fehlern zurückgerollt werden müssen
- Audits oder Compliance dokumentierte Freigaben verlangen
- mehrere Personen oder Teams Modelle ausrollen
- ein einzelnes Modell manuell und selten aktualisiert wird
- Modelle nur als Prototyp oder im Test existieren
- keine Nachweispflichten bestehen
Model Registry oder Experiment Tracking?
Beide gehören zusammen, lösen aber verschiedene Aufgaben. Das Experiment Tracking protokolliert jeden Trainingslauf mit Parametern und Metriken, damit sich Versuche vergleichen lassen. Die Registry verwaltet daraus die Modelle, die tatsächlich freigegeben werden.
| Kriterium | Model Registry | Experiment Tracking |
|---|---|---|
| Verwaltet | freigegebene Modelle mit Status und Version | alle Trainingsläufe mit Metriken |
| Frage | Welches Modell ist in Produktion? | Welcher Lauf war der beste? |
| Freigabe | dokumentierter Statuswechsel | keine Freigabe, nur Protokoll |
| Ausrollen | liefert das freigegebene Artefakt | kein direkter Bezug zum Betrieb |
Typische Fehler im Umgang mit Modellen
Die meisten Probleme entstehen nicht beim Training, sondern bei der Übergabe in den Betrieb. Diese Fehler sieht man in der Praxis häufig:
- Modelle per Datei weiterschicken: ohne Registry ist nicht nachvollziehbar, welche Version wo läuft
- Freigabe ohne Kriterien: ein Modell wird produktiv, weil es im Test gut aussah - ohne dokumentierte Prüfung
- Kein Rollback-Pfad: wenn das neue Modell im Betrieb versagt, fehlt die definierte Vorversion
- Metadaten nur im Kopf: wer nicht dokumentiert, welches Modell mit welchen Daten trainiert wurde, kann Audits nicht beantworten
In der Praxis ist die Registry der Ort, an dem MLOps sichtbar wird: Sie zwingt zu klaren Freigaben und macht Modellwechsel nachvollziehbar. Wer heute mit einem Modell startet, sollte trotzdem direkt eine Registry einführen - MLflow bringt sie mit und der Aufwand ist gering. Der Nutzen zeigt sich spätestens beim ersten Rollback, das ohne Registry zum Ratespiel wird.
„Eine Model Registry ist nur etwas für große KI-Teams.“ Nein: Sobald ein Modell produktiv läuft und aktualisiert wird, gibt es Versionen und Freigaben - und genau dafür ist die Registry da. MLflow ist Open Source und in Minuten eingerichtet, der Umfang skaliert mit dem Team.
Häufige Fragen zu Model Registry
Was ist der Unterschied zwischen Model Registry und Model Store?
Ein Model Store ist der einfache Speicherort für Modellartefakte. Eine Model Registry ergänzt den Lebenszyklus: Versionen, Metadaten, Status und dokumentierte Freigaben. Jede Registry enthält einen Store, aber nicht jeder Store ist eine Registry.
Welche Model Registry sollte ich nutzen?
Für den Einstieg ist MLflow die häufigste Wahl: Open Source, in die MLOps-Plattform integriert und für kleine Teams ausreichend. Wer bereits auf Databricks oder Kubeflow setzt, nutzt deren integrierte Registry. Entscheidend ist nicht das Werkzeug, sondern dass Freigaben dokumentiert werden.
Wie hängen Model Registry und MLOps zusammen?
Die Registry ist ein Kernbaustein von MLOps: Sie bringt Versionierung und Freigabe in den Modell-Lebenszyklus, den DevOps für Software schon lange kennt. Zusammen mit Pipelines, Monitoring und Feature Store bildet sie die Plattform, die Modelle zuverlässig in den Betrieb bringt.
Ob Ihre Modelle bereit für den Produktivbetrieb sind, prüfen wir gemeinsam - Versionierung, Freigaben und Monitoring gehören zu jedem ernsthaften KI-Betrieb.
Zum KI-Beratungsgespräch