Was ist MLflow?
PlattformMLflow ist eine Open-Source-Plattform, die den Lebenszyklus von Machine-Learning-Modellen organisiert: Experimente protokollieren, Modellversionen verwalten und Modelle in Produktion bringen. Sie ist sprach- und bibliotheksunabhängig und gilt als de-facto-Standard für MLOps.
Kurz vorwegMLflow organisiert den ML-Lifecycle - die Wahl der Modellbibliothek bleibt frei. Zum KI-Beratungsgespräch
MLflow: Definition
Machine-Learning-Projekte scheitern selten am Modell, sondern an der Organisation dahinter: Dutzende Trainingsläufe, keiner nachvollziehbar, keine klare Antwort darauf, welche Version gerade produktiv ist. MLflow löst genau dieses Problem, indem es vier Aufgaben in einer Plattform bündelt: Experiment Tracking, Model Registry, Projekte und Deployment.
Die Kernidee ist Einfachheit. MLflow ist Open Source, sprach- und bibliotheksunabhängig und lässt sich ohne Umbau der bestehenden Codebasis einführen. Ein Tracking-Server protokolliert Parameter, Metriken und Artefakte jedes Trainingslaufs. Die Model Registry verwaltet Modellversionen mit Stufen wie Staging und Production. Dazu kommt ein einheitliches Modellformat (MLflow Models), mit dem sich Modelle in verschiedenen Serving-Umgebungen ausrollen lassen.
Dadurch eignet sich MLflow besonders für Teams, die mit heterogenen Werkzeugen arbeiten: TensorFlow, PyTorch, Scikit-learn und XGBoost lassen sich gleich behandeln. MLflow organisiert den Lebenszyklus, ohne die Wahl der ML-Bibliothek vorzuschreiben. Das macht es zur typischen Basis einer MLOps-Plattform im Mittelstand - oft zusammen mit Kubernetes als Betriebsschicht.
- Zweck
- ML-Lifecycle verwalten: Experimente, Modellversionen, Deployment
- Kernidee
- Ein Werkzeug für den ganzen Lebenszyklus - von der Idee bis zum Betrieb
- Bausteine
- Experiment Tracking, Model Registry, Projekte, Models (Serving-Format)
- Unabhängigkeit
- Sprachneutral: Python, R, Java - Bibliotheken und Clouds frei wählbar
- Typischer Einsatz
- MLOps-Fundament: Trainingsläufe nachvollziehen, Modelle versionieren, produktiv bringen
Wie funktioniert MLflow?
MLflow begleitet ein Modell von der ersten Idee bis zum Betrieb - in vier Schritten, die jeweils einem Baustein entsprechen:
- Experimente protokollieren (Tracking)Jeder Trainingslauf schreibt Parameter, Metriken und Artefakte an einen Tracking-Server. Läufe lassen sich vergleichen und reproduzieren, ohne Notizen oder Tabellen nebenher.
- Modell registrieren (Model Registry)Freigegebene Modelle landen mit Version, Beschreibung und Stufe (Staging, Production) in der Registry. Wer welches Modell freigegeben hat, bleibt nachvollziehbar.
- Modell verpacken (MLflow Models)Das einheitliche Modellformat beschreibt, wie ein Modell geladen und aufgerufen wird - unabhängig von der Trainingsbibliothek und damit portabel zwischen Umgebungen.
- Deployen und überwachenModelle lassen sich als REST-Endpunkt oder Batch-Job ausrollen. Der Betrieb läuft dann auf der eigenen Plattform, zum Beispiel Kubernetes - MLflow bleibt dabei die Verwaltungsschicht.
MLflow oder Kubeflow?
Beide werden im MLOps-Umfeld genannt, lösen aber unterschiedliche Aufgaben:
| Kriterium | MLflow | Kubeflow |
|---|---|---|
| Fokus | Lebenszyklus: Tracking, Registry, Deployment | Kubernetes-native ML-Plattform mit Pipelines |
| Einstieg | leicht, ohne Kubernetes installierbar | setzt Kubernetes voraus |
| Stärke | Einfachheit und Werkzeugneutralität | skalierte Trainings- und Serving-Infrastruktur |
| Typischer Nutzer | ein Team, das ML-Prozesse nachvollziehbar machen will | ein Plattform-Team mit Kubernetes-Erfahrung |
| Zusammen | MLflow als Verwaltungsschicht auf einer Kubeflow-Plattform - beides ergänzt sich |
Wann lohnt sich MLflow?
- mehrere Personen trainieren und Ergebnisse vergleichbar sein müssen
- nachvollziehbar sein soll, welche Modellversion produktiv ist
- Modelle regelmäßig neu trainiert oder aktualisiert werden
- verschiedene Bibliotheken oder Teams zusammenkommen
- ein einzelnes Modell selten und manuell aktualisiert wird
- alle Trainingsläufe in einem Notebook dokumentiert sind
- noch kein Modell produktiv läuft
Der übliche Einstieg ist klein: ein Tracking-Server, und ab sofort protokolliert jedes Training seine Parameter und Metriken. Damit ist die häufigste Schwachstelle - nicht reproduzierbare Experimente - ohne großen Umbau behoben. Die Model Registry kommt dazu, sobald Modelle produktiv laufen und Versionen gepflegt werden müssen. MLflow ersetzt keine MLOps-Strategie, aber es ist meist der erste Baustein, der sie möglich macht.
„MLflow ist nur ein Experiment-Tracker, dafür reicht TensorBoard." TensorBoard visualisiert einzelne Trainingsläufe. MLflow protokolliert zusätzlich Artefakte, verwaltet Modellversionen mit Stufen und bereitet das Deployment vor - es deckt den gesamten Lebenszyklus ab, nicht nur die Verlaufskurve eines Laufs.
Häufige Fragen zu MLflow
Ist MLflow Open Source?
MLflow ist Open Source und unter der Apache-2.0-Lizenz verfügbar. Kommerzielle Angebote gibt es als verwaltete Dienste großer Cloud-Anbieter. Die Open-Source-Version deckt Tracking, Registry und Deployment selbst ab.
Was ist der Unterschied zwischen MLflow und einem Feature Store?
MLflow verwaltet den Lebenszyklus von Modellen: Experimente, Versionen, Deployment. Ein Feature Store verwaltet die Eingabedaten: aufbereitete, versionierte Features für Training und Inferenz. Beide ergänzen sich in einer MLOps-Umgebung.
Braucht MLflow Kubernetes?
Nein. Für Tracking und Registry reicht ein einzelner Server. Kubernetes wird relevant, sobald Modelle skaliert produktiv laufen sollen. MLflow lässt sich dann als Verwaltungsschicht auf Kubernetes betreiben.
Ob MLflow als MLOps-Fundament zu Ihrer Umgebung passt, klären wir anhand Ihrer Modelle und Abläufe - nicht anhand einer Tool-Liste.
Zum KI-Beratungsgespräch