{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"de","description":"Erfahren Sie, wie MLOps Daten, Modelle, Governance und Überwachung in der Produktion verbindet. Lernen Sie Lebenszyklus, Reifestufen und Best Practices kennen.","title":"Was ist MLOps? Lebenszyklus, Best Practices und Vorteile","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/de/artificial-intelligence/machine-learning/mlops/",":type":"snowflake-site/components/structure/page",":hierarchyType":"page",":path":"/content/snowflake-site/global/de/artificial-intelligence/machine-learning/mlops",":items":{"root":{"columnCount":12,"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"experiencefragment-banner":{"id":"experiencefragment-e1c50284f5","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/mlops"},"experiencefragment-header":{"id":"experiencefragment-0efaa9ffdc","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/mlops"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_251957817":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont":{"id":"flexible-column-container-4df83910d8","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-7c3d040c03",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-90e31e4cdb","items":[{"id":"breadcrumb-90e31e4cdb-item-b4dc78da23","link":{"valid":true,"url":"/de/artificial-intelligence/"},"active":false,"current":false,"title":"Künstliche Intelligenz",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-90e31e4cdb-item-1b882f3034","link":{"valid":true,"url":"/de/artificial-intelligence/machine-learning/"},"active":false,"current":false,"title":"Machine Learning",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-90e31e4cdb-item-8106f5a7e9","link":{"valid":true,"url":"/de/artificial-intelligence/machine-learning/mlops/"},"active":true,"current":true,"title":"MLOps",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-3edc7ca8e5","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-a9d03266ad",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-088e78280f","additionalClasses":"hub-hero__headline","type":"heading1","lines":["MLOps: Wie Daten, Modelle und Governance in der Produktion zusammenkommen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-c543ffbf20","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EEin ML-Modell in der Produktion ist abhängig von Daten, Features, Infrastruktur, Freigaben und Feedbackschleifen – und MLOps ist die operative Disziplin, die dafür sorgt, dass diese Komponenten reibungslos zusammenarbeiten.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-7b32385970",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-513b81bde3","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?preferwebp=true&quality=85","lazyEnabled":true,"alt":"Laurie MacPherson","width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip_copy":{"id":"content-chip-9349ed4876","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/gulnaz-sharipova/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"512","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--f7c921fe-d10f-4d90-ac38-c79aff7cf132/gulnaz-photo.jpg?preferwebp=true&quality=85","lazyEnabled":true,"alt":"Gulnaz Sharipova","width":"512",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Gulnaz Sharipova","Lokale Redakteurin, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-2a86f34b8c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-fa2ffab4ed","youtubeVideoId":"-HWNc-Hd90U","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_251957817":{"id":"flexible-column-container-948af03884","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-673e591c94",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text":{"id":"text-a2a3d31479","additionalClasses":"seo-hub-hero__related-topic-lable","text":"\u003Cp\u003EMLOps-Themen:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_205167574":{"id":"text-ee2e1848e7","additionalClasses":"related-topics","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/data-pipelines/\"\u003EKI-Daten-Pipelines\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/model-deployment/\"\u003EML-Modellbereitstellung\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/model-serving/\"\u003EML-Model-Serving\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/pipelines/\"\u003EML-Pipelines\u003C/a\u003E\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text","text_205167574"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-46875925f2","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout__0":{"id":"text-b81ff2ceef","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EMLOPS DEFINIERT\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EMLOps ist eine Reihe von Praktiken, die auf DevOps basieren und sich auf die Bereitstellung (Deployment), die Überwachung (Monitoring), die Governance und die kontinuierliche Verbesserung von Modellen für maschinelles Lernen in der Produktion konzentrieren.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-33cfec143b","text":"\u003Cp\u003EViele Teams beginnen MLOps-Gespräche mit dem Modell: wie es trainiert wurde, wo es bereitgestellt wird und wie schnell es neu trainiert werden kann. In der Produktion ist das Modell jedoch nur ein Objekt in einem viel größeren System – da gibt es die Tabelle, die es gespeist hat, die Feature-Definition, die es geformt hat, das Label, das drei Tage zu spät kam, das Schema, das sich vorgelagert geändert hat, und die Zugriffsrichtlinie, die bestimmt, wer die Ausgabe nutzen darf.\u003C/p\u003E\n\u003Cp\u003EAus diesem Grund lässt sich MLOps nicht einfach auf „DevOps für Modelle“ reduzieren. MLOps übernimmt Automatisierung, CI/CD und Release-Disziplin von DevOps, muss aber auch modellspezifische Probleme berücksichtigen, mit denen Softwareteams normalerweise nicht konfrontiert sind: Data Drift, Concept Drift, Feature-Wiederverwendung, Training-Serving Skew, Modell-Erklärbarkeit, Modell-Lineage und Retraining basierend auf neuen Produktionsergebnissen. MLOps verbindet diese Abhängigkeiten, sodass Modelle in Anwendungen integriert werden können, die auch dann zuverlässig bleiben, wenn sich das Geschäft, die Daten und die Betriebsumgebung ändern.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-mlops":{"id":"title-v2-a0e98959a9","additionalClasses":"anchor-title anchor-title--what-is-mlops","type":"heading2","lines":["Was ist MLOps?"],":type":"snowflake-site/components/title-v2"},"text_what-is-mlops_0":{"id":"text-2454819d6c","text":"\u003Cp\u003EMLOps ist die Reihe von Praktiken, die das Deployment, die Überwachung und die Wartung von ML-Modellen in der Produktion automatisiert und standardisiert. Diese Praktiken helfen Teams dabei, den gesamten Lebenszyklus für \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/\"\u003Emaschinelles Lernen\u003C/a\u003E (Machine Learning) zu verwalten.\u003C/p\u003E\r\n\u003Cp\u003EWie sein Software-Pendant ist auch ein Modell von Code abhängig. Es hängt jedoch auch von Trainingsdaten, Features, Labels, Parametern, Bewertungsmetriken, Laufzeitabhängigkeiten, Serving-Infrastruktur und dem Feedback aus der Umgebung ab, in der die Vorhersagen verwendet werden. MLOps bietet Teams eine Möglichkeit, diese Assets zu versionieren, zu testen, durch Freigabeprozesse zu leiten, konsistent bereitzustellen und zu überwachen, ob sie sich weiterhin wie erwartet verhalten.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-mlops-matters":{"id":"title-v2-8ea3ee009c","additionalClasses":"anchor-title anchor-title--why-mlops-matters","type":"heading2","lines":["Warum MLOps wichtig ist"],":type":"snowflake-site/components/title-v2"},"text_why-mlops-matters_0":{"id":"text-cc0e6ec1e6","text":"\u003Cp\u003EEin Modell, das Leads bewertet, die Nachfrage prognostiziert, Support-Tickets weiterleitet oder verdächtige Transaktionen markiert, ist nicht nur ein Data-Science-Asset. Es ist Teil eines operativen Workflows geworden, bei dem Business-Teams auf dessen Ausgabe angewiesen sind und technische Teams dafür verantwortlich sind, es verfügbar, aktuell und erklärbar zu halten.\u003C/p\u003E\n\u003Cp\u003EMit starken MLOps-Prozessen können Teams diese Verantwortung in großem Maßstab besser bewältigen. „MLOps wird oft als Tooling-Herausforderung beschrieben, aber in der Praxis sind fragmentierte Workflows das größere Hindernis”, erklärt Trace Smith, Senior AI/ML Architect, Applied Field Engineering bei Snowflake. „Der Trend geht heute in Richtung einer einheitlicheren Daten- und ML-Umgebung, in der Governance und Modell-Workflows in einem Betriebsmodell zusammengeführt werden. Das hilft dabei, operative Reibungsverluste zu reduzieren und den Weg in die Produktion zu beschleunigen.“\u003C/p\u003E\n\u003Cp\u003EAnstatt jedes Modell als einmaliges Projekt zu behandeln, können Teams wiederholbare Pipelines, Überwachung, Versionierung und Governance-Kontrollen nutzen, um Modelle schneller in die Produktion zu überführen, zu erkennen, wenn sich die Performance ändert, und Updates durchzuführen, ohne den operativen Prozess von Grund auf neu aufbauen zu müssen.\u003C/p\u003E\n\u003Cp\u003EMLOps unterstützt Teams auf drei praktische Arten:\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cstrong\u003ESchnellere Time-to-Market:\u003C/strong\u003E Automatisierte Pipelines helfen Teams dabei, von manuellen Übergaben zu wiederholbarem Training, Testing, Paketierung und Deployment überzugehen.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EVerbesserte Zuverlässigkeit:\u003C/strong\u003E Monitoring hilft Teams dabei, Performance-Änderungen, Drift, Datenqualitätsprobleme und Laufzeitfehler zu erkennen, bevor sie sich unbemerkt auf nachgelagerte Entscheidungen auswirken.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EStärkere Skalierbarkeit und Governance:\u003C/strong\u003E Versionierung, Lineage, Genehmigungs-Workflows und Zugriffskontrollen helfen Unternehmen dabei, mehr Modelle über mehrere Teams hinweg zu betreiben, ohne sich auf informelle Abstimmungen verlassen zu müssen.\u003C/li\u003E\n\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_why-mlops-matters_0":{"id":"quote-item-23fd8d1bfb","alignment":"left","layout":"simple","quoteSourceName":"Trace Smith","quoteSourceTitle":"Snowflake Senior AI/ML Architect, Applied Field Engineering","showQuoteIcon":false,"quote":"„MLOps wird oft als Tooling-Herausforderung beschrieben, in der Praxis sind fragmentierte Workflows jedoch das größere Hindernis. Der Trend geht heute in Richtung einer stärker vereinheitlichten Daten- und ML-Umgebung, in der Governance und Modell-Workflows in einem einzigen Betriebsmodell zusammengeführt werden. Genau das hilft dabei, betriebliche Reibungsverluste zu reduzieren und den Weg in die Produktion zu beschleunigen.“","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"title_mlops-vs-devops":{"id":"title-v2-8d87a258e7","additionalClasses":"anchor-title anchor-title--mlops-vs-devops","type":"heading2","lines":["MLOps vs. DevOps"],":type":"snowflake-site/components/title-v2"},"text_mlops-vs-devops_0":{"id":"text-e357f267c3","text":"\u003Cp\u003EDevOps konzentriert sich auf die Softwarebereitstellung. MLOps erstreckt sich auf die Daten und das statistische Verhalten von ML-Systemen.\u003C/p\u003E\n\u003Ctable\u003E\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003E\u003C/th\u003E\u003Cth\u003EDevOps\u003C/th\u003E\u003Cth\u003EMLOps\u003C/th\u003E\u003C/tr\u003E\u003C/thead\u003E\n\u003Ctbody\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EPrimäres Asset\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EAnwendungscode und Infrastruktur\u003C/td\u003E\u003Ctd\u003ECode, Daten, Features, Modelle, Metriken und Artefakte\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EVersionierung\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ECode, Konfiguration und Infrastrukturdefinitionen\u003C/td\u003E\u003Ctd\u003ECode, Datasets, Features, Parameter, Modelle, Evaluierungsergebnisse und Deployment-Metadaten\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003ETests\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EUnit-, Integrations-, Sicherheits- und Performance-Tests\u003C/td\u003E\u003Ctd\u003EDatenvalidierung, Feature-Prüfungen, Modellevaluierung, Fairness-Tests, Robustheits-Tests und operative Tests\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EBereitstellung (Deployment)\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EAnwendungs-Release über CI/CD\u003C/td\u003E\u003Ctd\u003EModellpaketierung, Registry-Genehmigung, Batch- oder Echtzeit-Serving und Rollback\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EProduktionsrisiko\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EBugs, Ausfälle, Latenz- und Sicherheitsprobleme\u003C/td\u003E\u003Ctd\u003EData Drift, Concept Drift, Model Decay, Bias, Latenz, Kosten und operative Ausfälle\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EVerbesserungsschleife\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ECodeänderungen basierend auf Bugs, Vorfällen und Feature-Anfragen\u003C/td\u003E\u003Ctd\u003ERetraining und Redeployment basierend auf neuen Daten, Labels, Feedback und Monitoring-Signalen\u003C/td\u003E\u003C/tr\u003E\n\u003C/tbody\u003E\u003C/table\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_mlops-vs-devops_0":{"id":"text-510016d4b2","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EHÄUFIGER FALLSTRICK\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EVermeiden Sie es, MLOps primär auf das Modell-Deployment zu fokussieren. Behandeln Sie es stattdessen als Herausforderung im Systemmanagement. Modelle können sich verschlechtern, wenn sich Daten, Features oder Geschäftsbedingungen ändern. Daher sind Überwachung, Governance und Retraining für die langfristige Zuverlässigkeit unerlässlich.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_the-mlops-lifecycle":{"id":"title-v2-de53bb77d7","additionalClasses":"anchor-title anchor-title--the-mlops-lifecycle","type":"heading2","lines":["Der MLOps-Lebenszyklus"],":type":"snowflake-site/components/title-v2"},"text_the-mlops-lifecycle_0":{"id":"text-6a2c290d5f","text":"\u003Cp\u003EDer MLOps-Prozess funktioniert eher als Schleife denn als lineare Übergabe. Teams erfassen und validieren Daten, bereiten Features vor, trainieren und evaluieren Modelle, registrieren und deployen genehmigte Versionen und speisen dann Produktionssignale in die nächste Runde von Monitoring und Retraining ein.\u003C/p\u003E\n\u003Ch3\u003EDatenerfassung und Ingestion\u003C/h3\u003E\n\u003Cp\u003EDer Lebenszyklus beginnt mit Daten aus Quellsystemen wie Datenbanken, Dateien, Streams, APIs, Anwendungen und Drittanbieter-Datasets. Für produktives ML umfasst die Ingestion mehr als nur das Verschieben von Daten in eine Trainingsumgebung. Sie bewahrt genügend Kontext, um zu verstehen, woher die Daten stammen, wie aktuell sie sind und ob sie für den vorgesehenen Zweck verwendet werden können.\u003C/p\u003E\n\u003Ch3\u003EDatenvalidierung und Qualitätsprüfungen\u003C/h3\u003E\n\u003Cp\u003EBevor Daten für das Training oder die \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/inference/\"\u003EInferenz\u003C/a\u003E verwendet werden, müssen sie auf fehlende Werte, Schemaänderungen, Ausreißer, doppelte Datensätze, Bias, Datenschutzprobleme und Aktualität geprüft werden. Diese Prüfungen helfen zu verhindern, dass fehlerhafte Eingaben zum Modellverhalten werden. Beispielsweise können eine Spalte, die sich von Integer zu String ändert, ein Feed, der nicht mehr aktualisiert wird, oder ein Label, das später als erwartet verfügbar ist, die Modellqualität beeinträchtigen, lange bevor jemand einen sichtbaren Produktionsausfall bemerkt.\u003C/p\u003E\n\u003Ch3\u003EDatenvorbereitung und Feature Engineering\u003C/h3\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/feature-engineering/\"\u003EFeature Engineering\u003C/a\u003E verwandelt Rohdaten in modellfertige Signale, indem Daten bereinigt, transformiert, verknüpft, gelabelt und angereichert werden. In ausgereiften MLOps-Umgebungen definieren Teams häufig verwendete Features einmal und verwenden sie dann konsistent für Training und Inferenz wieder. Dies verringert das Risiko, dass ein Team „aktive Kund:innen“ oder „aktuelles Transaktionsvolumen“ anders berechnet als ein anderes Team, oder dass ein Produktionsmodell eine Feature-Logik verwendet, die nicht mehr mit der während des Trainings verwendeten Version übereinstimmt.\u003C/p\u003E\n\u003Ch3\u003EModellentwicklung\u003C/h3\u003E\n\u003Cp\u003EData Scientists und ML Engineers trainieren Modelle mithilfe von Notebooks, Skripten, automatisiertem maschinellem Lernen (AutoML) oder \u003Ca href=\"https://www.snowflake.com/en/fundamentals/machine-learning-frameworks/\"\u003EML-Frameworks\u003C/a\u003E. Sie vergleichen Algorithmen, Parameter, Trainingsfenster und Datasets, um den Ansatz zu finden, der am besten zum Vorhersageproblem passt. Die wichtigste MLOps-Anforderung an die Modellentwicklung besteht darin, dass beim Experimentieren genügend Metadaten generiert werden, damit eine andere Person, eine Pipeline oder ein Genehmigungs-Workflow nachvollziehen kann, was trainiert wurde, welche Daten verwendet wurden und wie das Modell abgeschnitten hat.\u003C/p\u003E\n\u003Ch3\u003EExperiment-Tracking\u003C/h3\u003E\n\u003Cp\u003EExperiment-Tracking erfasst Modellversionen, Datasets, Code, Parameter, Metriken, Artefakte und Ergebnisse. Ohne dieses Tracking wissen Teams vielleicht, dass ein Durchlauf besser abgeschnitten hat als ein anderer, aber nicht warum. Damit können sie jedoch Kandidaten vergleichen, ein Ergebnis reproduzieren und erklären, welche Modellversion in die Produktion überführt wurde.\u003C/p\u003E\n\u003Ch3\u003EModellvalidierung und -evaluierung\u003C/h3\u003E\n\u003Cp\u003EDie Modellevaluierung testet, ob ein trainiertes Modell genau, zuverlässig und für den Geschäftsprozess geeignet ist, den es unterstützen soll. Die Evaluierung umfasst das Tracking technischer Metriken wie Genauigkeit, Präzision, Recall, F1, AUC, RMSE und Latenz sowie Fairness, Robustheit und Geschäfts-KPIs. Der Evaluierungsprozess sollte auch testen, ob sich das Modell für wichtige Segmente, Regionen, Produktlinien oder Risikokategorien akzeptabel verhält – und nicht nur, ob es im Durchschnitt gut abschneidet.\u003C/p\u003E\n\u003Ch3\u003EModellpaketierung und Modellregistrierung\u003C/h3\u003E\n\u003Cp\u003ESobald ein Modell die Evaluierung besteht, paketieren Teams es mit Abhängigkeiten und Metadaten und speichern es dann in einer Modell-Registry. Die Registry dient als kontrollierter Ort zur Verwaltung von Versionen, Genehmigungsstatus, Lineage, Deployment-Status und operativen Metadaten.\u003C/p\u003E\n\u003Ch3\u003EModellbereitstellung (Deployment)\u003C/h3\u003E\n\u003Cp\u003EDas Modell-Deployment überführt das Modell als Batch-Job, Echtzeit-API, Streaming-Inferenz-Pipeline, eingebettetes Anwendungs-Feature oder Edge-Deployment in die Produktion. Das Serving-Muster hängt von Latenz, Kosten, Aktualität und geschäftlichen Anforderungen ab. Beispielsweise benötigt ein Betrugsmodell möglicherweise Echtzeit-Inferenz, während ein monatliches Propensity-Modell als Batch-Scoring-Job ausgeführt werden kann, der Vorhersagen zur weiteren Verwendung in eine Tabelle zurückschreibt.\u003C/p\u003E\n\u003Ch3\u003EModel Serving\u003C/h3\u003E\n\u003Cp\u003ENach dem Deployment muss das Modell so bereitgestellt werden, dass es den Anforderungen der Anwendung an Latenz, Skalierung, Kosten und Aktualität entspricht. Model Serving ist die Laufzeitschicht, die Vorhersagen über Batch-Scoring, Echtzeit-APIs, Streaming-Inferenz, eingebettete Anwendungslogik oder Edge-Umgebungen verfügbar macht. Diese Schicht muss die Eingabevorbereitung, den Feature-Abruf, Laufzeitabhängigkeiten, Skalierung, Zugriffskontrollen, Latenz und Fehlerbehandlung verwalten, damit die genehmigte Modellversion zuverlässig in der Produktion eingesetzt werden kann.\u003C/p\u003E\n\u003Ch3\u003EModellüberwachung\u003C/h3\u003E\n\u003Cp\u003EDie Modellüberwachung verfolgt, ob sich ein Modell nach dem Deployment weiterhin wie erwartet verhält. Teams überwachen in der Regel die Produktions-Performance, Latenz, Fehler, Data Drift, Concept Drift, Modellqualität, Kosten und den operativen Zustand.\u003C/p\u003E\n\u003Ch3\u003EFeedback und Retraining\u003C/h3\u003E\n\u003Cp\u003EProduktionsvorhersagen generieren neue Informationen: Labels, Benutzeraktionen, Geschäftsergebnisse, menschliches Feedback und Drift-Signale. MLOps führt diese Informationen in den Lebenszyklus zurück, sodass Teams Modelle neu trainieren, revalidieren und erneut bereitstellen können, wenn die aktuelle Version nicht mehr gut genug abschneidet. Der Auslöser für das Retraining kann zeitgesteuert, ereignisgesteuert oder an Monitoring-Schwellenwerte gebunden sein, abhängig vom Risiko und der Volatilität des Anwendungsfalls.\u003C/p\u003E\n\u003Ch3\u003EGovernance und Compliance\u003C/h3\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/\"\u003EGovernance\u003C/a\u003E erstreckt sich über den gesamten ML-Lebenszyklus. Teams müssen Zugriff, Audit-Trails, Erklärbarkeit, Lineage, Datenschutz, Sicherheit, Genehmigungen und regulatorische Anforderungen von den Rohdaten bis zur Produktionsinferenz verwalten. Dies ist besonders wichtig, wenn Modelle Entscheidungen in den Bereichen Kreditvergabe, Preisgestaltung, Gesundheitswesen, Beschäftigung, Betrugserkennung, Sicherheit oder andere Entscheidungen mit weitreichenden Folgen beeinflussen. Governance hilft Teams auch bei der Beantwortung grundlegender operativer Fragen: Welche Modellversion wird ausgeführt? Mit welchen Daten wurde es trainiert? Welche Features verwendet es? Wer hat es genehmigt? Was hat sich seit der letzten Version geändert?\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_the-mlops-lifecycle_0":{"id":"card-v2-93f3ee64c1","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--90de0532-42fa-442f-addd-8b8217bbad20/igs-energy%25403x.png?preferwebp=true&quality=85","lazyEnabled":true,"alt":"ISG Energy Logo","width":"624",":type":"snowflake-site/components/image"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EIGS Energy nutzt Snowflake als Rückgrat seiner Dateninfrastruktur, um Anwendungsfälle für KI und maschinelles Lernen wie Bedarfsprognosen, Anomalieerkennung und schnellere Stakeholder-Iterationen mit Streamlit zu unterstützen. Durch den Wechsel von Hunderttausenden einzelner Prognosemodelle in Databricks zu einem einheitlichen Modell in Snowflake konnte IGS die Trainingskosten um 75 % senken, die Genauigkeit beibehalten und Prognosen für Hunderttausende von Kund:innen in wenigen Minuten erstellen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal","title":{"id":"title","type":"heading4","lines":["IGS Energy"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/de/customers/all-customers/case-study/igs-energy/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Customer Story lesen"}},"title_core-components-of-mlops":{"id":"title-v2-b7cc20bece","additionalClasses":"anchor-title anchor-title--core-components-of-mlops","type":"heading2","lines":["Kernkomponenten von MLOps"],":type":"snowflake-site/components/title-v2"},"text_core-components-of-mlops_0":{"id":"text-cf55f68f78","text":"\u003Cp\u003EMLOps erfordert eine miteinander verbundene Reihe von Komponenten. Einige Unternehmen stellen diese Komponenten über mehrere Systeme hinweg zusammen, während andere eine integrierte Plattform bevorzugen, die Daten, Feature-Management, Modellbetrieb und Governance enger zusammenführt.\u003C/p\u003E\n\u003Ctable\u003E\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003EKomponente\u003C/th\u003E\u003Cth\u003EZweck\u003C/th\u003E\u003C/tr\u003E\u003C/thead\u003E\n\u003Ctbody\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EDaten-Pipelines\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EVerschieben, Bereinigen, Validieren und Transformieren von Daten für Training und Inferenz\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EFeature Store\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EKonsistentes Definieren, Wiederverwenden, Bereitstellen und Überwachen von Features\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EExperiment-Tracking\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EErfassen von Parametern, Metriken, Datasets, Code-Versionen und Modell-Artefakten\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EModelltrainings-Pipeline\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ETraining, Anpassung, Evaluierung und Reproduzierbarkeit automatisieren\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EModell-Registry und Versionierung\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EGenehmigte Modellversionen, Metadaten, Lineage und Deployment-Status speichern\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EPipelines für Continuous Integration und Continuous Delivery/Continuous Deployment (CI/CD)\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ETests, Validierung, Paketierung, Deployment und Rollback automatisieren\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EModel-Serving-Schicht\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EGenehmigte Modellversionen für Inferenz durch Batch-Scoring, APIs, Streaming, eingebettete Anwendungslogik oder Edge-Umgebungen bereitstellen und gleichzeitig Latenz, Skalierung, Abhängigkeiten, Zugriffskontrollen und Fehler verwalten\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EÜberwachung und Beobachtbarkeit\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ESystemzustand, Modell-Performance, Drift, Qualität und Kosten verfolgen\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EOrchestrierung\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EWorkflows über Daten, Training, Deployment und Monitoring hinweg planen und verwalten\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EGovernance und Sicherheit\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EZugriffskontrolle, Auditierbarkeit, Datenschutz, Compliance und Praktiken für \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/responsible-ai/\"\u003Everantwortungsvolle KI\u003C/a\u003E durchsetzen\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EContinuous Training\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EProduktionsergebnisse für Evaluierung, Retraining und Modellverbesserung nutzen\u003C/td\u003E\u003C/tr\u003E\n\u003C/tbody\u003E\u003C/table\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_mlops-maturity-levels":{"id":"title-v2-0468725a21","additionalClasses":"anchor-title anchor-title--mlops-maturity-levels","type":"heading2","lines":["MLOps-Reifestufen"],":type":"snowflake-site/components/title-v2"},"text_mlops-maturity-levels_0":{"id":"text-f72fab5eb7","text":"\u003Cp\u003EDie MLOps-Reifestufe steigt in der Regel, wenn Teams mehr vom Lebenszyklus automatisieren und stärkere Kontrollen für Reproduzierbarkeit, Monitoring und Governance hinzufügen. Das \u003Ca rel=\"noopener noreferrer\" href=\"https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning?hl=de\" target=\"_blank\"\u003EMLOps-Reifestufenmodell von Google Cloud\u003C/a\u003E ist ein gängiger Referenzpunkt.\u003C/p\u003E\r\n\u003Ch3\u003EStufe 0: Manueller Prozess\u003C/h3\u003E\r\n\u003Cp\u003EAuf Stufe 0 ist die ML-Arbeit Notebook-gesteuert und stark manuell geprägt. Data Scientists bereiten Daten vor, trainieren Modelle, evaluieren Ergebnisse und übergeben Artefakte durch informelle Prozesse. Dies kann für Experimente funktionieren, birgt jedoch Risiken, wenn Modelle in der Produktion reproduziert, aktualisiert oder überwacht werden müssen.\u003C/p\u003E\r\n\u003Ch3\u003EStufe 1: Automatisierung von ML-Pipelines\u003C/h3\u003E\r\n\u003Cp\u003EAuf Stufe 1 automatisieren Teams die ML-Pipeline, sodass Modelle mit wiederholbaren Validierungs-, Trainings- und Evaluierungsschritten auf neuen Daten neu trainiert werden können. Das Ziel ist Continuous Training: eine kontrollierte Methode, um Modelle zu aktualisieren, sobald neue Daten verfügbar sind. Diese Stufe reduziert manuelle Übergaben, aber die Pipeline selbst erfordert möglicherweise noch ein separates Release-Management.\u003C/p\u003E\r\n\u003Ch3\u003EStufe 2: Automatisierung von CI/CD-Pipelines\u003C/h3\u003E\r\n\u003Cp\u003EAuf Stufe 2 automatisieren Teams den Build, Test und das Deployment der ML-Pipelines selbst. Änderungen an Code, Datenvalidierungslogik, Trainings-Workflows und Deployment-Definitionen durchlaufen CI/CD-Prozesse. Hier ähneln ML-Operations eher einer Production-Engineering-Disziplin mit versionierten Pipelines, automatisierten Tests und kontrollierter Überführung über Umgebungen hinweg.\u003C/p\u003E\r\n\u003Ch3\u003EFortgeschrittene Reifestufen: Autonome und kontrollierte Abläufe\u003C/h3\u003E\r\n\u003Cp\u003EEinige Reifestufenmodelle fügen eine höhere Stufe für fortgeschrittene oder autonome Abläufe hinzu. In dieser Phase können Monitoring-Signale Retraining-Workflows auslösen, Governance-Prüfungen sind in die Überführungspfade eingebettet und Teams können viele Modelle mit einheitlichen Richtlinien verwalten. Das Ziel ist nicht, menschliches Urteilsvermögen zu ersetzen, insbesondere bei Modellen mit großen Auswirkungen, sondern die routinemäßige Erkennung, Validierung und Eskalation systematischer zu gestalten.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003EErfahren Sie, wie Sie mit Snowflake ML umfangreiche Modelle erstellen und operationalisieren:\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_mlops-maturity-levels_0":{"id":"embed-1ab7f37aff","youtubeVideoId":"kBYZVIXgh1o","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_mlops-for-generative-ai-and-llmops":{"id":"title-v2-729ddf454c","additionalClasses":"anchor-title anchor-title--mlops-for-generative-ai-and-llmops","type":"heading2","lines":["MLOps für generative KI und LLMOps"],":type":"snowflake-site/components/title-v2"},"text_mlops-for-generative-ai-and-llmops_0":{"id":"text-13e876dc79","text":"\u003Cp\u003ELarge Language Model Operations (LLMOps) erweitert MLOps-Praktiken auf Anwendungen für \u003Ca href=\"https://www.snowflake.com/en/fundamentals/generative-ai/\"\u003Egenerative KI\u003C/a\u003E. LLMOps ergänzt MLOps um neue operative Aspekte in den Bereichen Prompts, Retrieval, Kontext, Token-Nutzung, Sicherheit und Evaluierung.\u003C/p\u003E\n\u003Cp\u003ELLMOps umfasst in der Regel:\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003EVersionierung von Prompts und Systemanweisungen\u003C/li\u003E\n\u003Cli\u003EEvaluierungs-Frameworks für Faktentreue, Relevanz, Tonalität, Sicherheit und Aufgabenerfüllung\u003C/li\u003E\n\u003Cli\u003EÜberwachung der RAG-Pipeline, einschließlich Dokumentenaktualität und Retrieval-Qualität\u003C/li\u003E\n\u003Cli\u003EVerfolgung von Token-Kosten und Latenzoptimierung\u003C/li\u003E\n\u003Cli\u003EGuardrail-Überwachung auf Datenschutz, Toxizität, Faktenbasierung und Richtlinienverstöße\u003C/li\u003E\n\u003Cli\u003EFeedbackschleifen für menschliche Überprüfung und Modellverbesserung\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EDas gleiche Funktionsprinzip gilt jedoch weiterhin: Die Anwendung ist nur so zuverlässig wie die Daten, der Kontext, die Evaluierung und die Governance dahinter.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_mlops-best-practices":{"id":"title-v2-21443aa8ef","additionalClasses":"anchor-title anchor-title--mlops-best-practices","type":"heading2","lines":["Best Practices für MLOps"],":type":"snowflake-site/components/title-v2"},"text_mlops-best-practices_0":{"id":"text-d00b5e4505","text":"\u003Cp\u003ESolide MLOps-Praktiken helfen Teams dabei, zu verhindern, dass produktives ML zu einer Ansammlung einmaliger Übergaben wird. Wenn Modelle aus der Entwicklung in Live-Workflows übergehen, benötigen Teams konsistente Methoden, um die Assets zu versionieren, die das Verhalten beeinflussen, Änderungen vor dem Release zu testen, die Performance in der Produktion zu überwachen und Modelle zu aktualisieren, ohne die \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-traceability/\"\u003ENachvollziehbarkeit\u003C/a\u003E zu verlieren.\u003C/p\u003E\r\n\u003Ch3\u003EVersionieren Sie alles, was das Modellverhalten beeinflusst\u003C/h3\u003E\r\n\u003Cp\u003EMLOps sollte Code, Datasets, Feature-Definitionen, Parameter, Modellartefakte, Abhängigkeiten, Evaluierungsergebnisse und Deployment-Metadaten versionieren. Wenn sich ein Modell ändert, müssen Teams wissen, ob sich die Performance aufgrund neuer Trainingsdaten, einer neuen Feature-Logik, eines anderen Parametersatzes oder einer neuen Laufzeitumgebung geändert hat.\u003C/p\u003E\r\n\u003Ch3\u003EAutomatisieren Sie Tests und CI/CD dort, wo es das Risiko reduziert\u003C/h3\u003E\r\n\u003Cp\u003EDie Automatisierung sollte die Prüfungen abdecken, die Teams zuverlässig wiederholen müssen: Datenvalidierung, Feature-Validierung, Modellevaluierung, Paketierung, Deployment und Rollback. CI/CD für ML sollte auch modellspezifische Tests umfassen, wie z. B. Drift-Prüfungen, Bias-Tests, Latenzschwellenwerte und Leitplanken für Geschäfts-KPIs.\u003C/p\u003E\r\n\u003Ch3\u003EÜberwachen Sie Produktionsmodelle kontinuierlich\u003C/h3\u003E\r\n\u003Cp\u003EDie Produktionsüberwachung sollte den Systemzustand und das Modellverhalten nachverfolgen. Latenz, Fehler und Kosten sind wichtig, aber das gilt auch für Eingabeverteilungen, Vorhersageverteilungen, Modell-Performance, Drift und Datenaktualität.\u003C/p\u003E\r\n\u003Ch3\u003ESorgen Sie für Reproduzierbarkeit\u003C/h3\u003E\r\n\u003Cp\u003EEin Team sollte in der Lage sein, zu beantworten, wie ein Modell erstellt wurde, mit welchem Dataset und welchen Features es trainiert wurde, welcher Code und welche Parameter verwendet wurden, welche Metriken die Freigabe gerechtfertigt haben und welche Version derzeit Vorhersagen liefert. Reproduzierbarkeit hilft bei Debugging, Auditierbarkeit, Zusammenarbeit und \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-compliance/\"\u003ECompliance\u003C/a\u003E.\u003C/p\u003E\r\n\u003Ch3\u003EBeginnen Sie auf der Reifestufe, die das Team aufrechterhalten kann\u003C/h3\u003E\r\n\u003Cp\u003EDie MLOps-Reifestufe sollte den Anforderungen, Fähigkeiten und dem Risikoprofil des Unternehmens entsprechen. Ein Team mit einem risikoarmen Batch-Modell benötigt am ersten Tag möglicherweise kein autonomes Retraining. Ein Team mit vielen kundenorientierten Modellen, regulierten Anwendungsfällen oder sich schnell ändernden Daten benötigt früher eine stärkere Automatisierung, Monitoring und Governance.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-run-mlops-on-snowflake":{"id":"title-v2-a0949dca17","additionalClasses":"anchor-title anchor-title--why-run-mlops-on-snowflake","type":"heading2","lines":["Warum MLOps auf Snowflake ausführen"],":type":"snowflake-site/components/title-v2"},"text_why-run-mlops-on-snowflake_0":{"id":"text-c795be232b","text":"\u003Cp\u003EViele MLOps-Architekturen verschieben Daten über separate Systeme für Vorbereitung, Training, Feature-Management, Registry, Serving und Monitoring. Diese Trennung kann zu zusätzlichen Kopien, unzusammenhängender Lineage und mehr Orten führen, an denen Zugriffsrichtlinien oder Feature-Definitionen abweichen können. Der Ansatz von Snowflake besteht darin, einen größeren Teil des ML-Lebenszyklus zu den kontrollierten Daten in der Snowflake AI Data Cloud zu bringen.\u003C/p\u003E\r\n\u003Cp\u003EMit \u003Ca href=\"https://www.snowflake.com/de/product/features/end-to-end-ml-workflows/\"\u003ESnowflake ML\u003C/a\u003E können Teams Modelle näher an den Daten erstellen, trainieren, bereitstellen und überwachen, die diese Modelle verwenden. Snowflake ML umfasst Funktionen wie Snowpark ML APIs für die Entwicklung, Snowflake Notebooks für Exploration und Zusammenarbeit, den Snowflake Feature Store für das Feature-Management und die Snowflake Model Registry für Versionierung und Governance. \u003Ca href=\"https://docs.snowflake.com/de/developer-guide/snowflake-ml/model-registry/model-observability\"\u003EML Observability\u003C/a\u003E ermöglicht die Überwachung registrierter Produktionsmodelle, einschließlich Performance-, Drift- und Volumenmetriken, mit aktueller Unterstützung für Regressions- und binäre Klassifikationsmodelle.\u003C/p\u003E\r\n\u003Cp\u003EFeatures können einmal definiert, durch Zugriffskontrollen verwaltet und über Lineage nachverfolgt werden, wenn sie vom Training in die Inferenz übergehen, während Modelle Metadaten, Versionsverlauf und Deployment-Status durch eine Registry mitführen. Data Scientists können weiterhin in Notebooks experimentieren, aber die Arbeit bleibt näher an den kontrollierten Daten, wobei eine Überwachung eingerichtet ist, um zu erkennen, wenn Produktionseingaben von den während der Evaluierung getroffenen Annahmen abweichen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_mlops-turns-model-work-into-an-operating-discipline":{"id":"title-v2-dbdc4263de","additionalClasses":"anchor-title anchor-title--mlops-turns-model-work-into-an-operating-discipline","type":"heading2","lines":["MLOps macht die Arbeit mit Modellen zu einer operativen Disziplin"],":type":"snowflake-site/components/title-v2"},"text_mlops-turns-model-work-into-an-operating-discipline_0":{"id":"text-8c25730372","text":"\u003Cp\u003EMLOps wird oft durch die Mechanismen des Deployments beschrieben: Pipelines, Registries, CI/CD, Monitoring und Retraining. Diese Mechanismen sind valide, aber sie lösen das größere Problem nur, wenn sie mit den Daten und dem Governance-Kontext rund um das Modell verbunden bleiben. Einer Modellversion lässt sich leichter vertrauen, wenn Teams die Daten nachverfolgen können, mit denen sie trainiert wurde, die verwendeten Features verstehen, sehen, wie sie während der Evaluierung abgeschnitten hat, und erkennen können, wenn sich das Verhalten in der Produktion zu ändern beginnt.\u003C/p\u003E\n\u003Cp\u003EDa ML Teil von immer mehr Anwendungen und Geschäfts-Workflows wird, kann dieser operative Kontext nicht als optional betrachtet werden. Teams benötigen eine Möglichkeit, schnell zu agieren, ohne die Lineage zu verlieren, Features wiederzuverwenden, ohne Logik zu duplizieren, Modelle zu überwachen, ohne sie von den Daten zu trennen, von denen sie abhängen, und Produktionssysteme zu aktualisieren, ohne sich auf manuelle Übergaben verlassen zu müssen. MLOps bietet diese Struktur.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_mlops-turns-model-work-into-an-operating-discipline_0":{"id":"text-3e5926f543","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EWICHTIGSTE ERKENNTNIS\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EDurch die Verbindung von Daten, Features, Modellen, Governance und Monitoring zu einem wiederholbaren Lebenszyklus hilft MLOps Unternehmen dabei, ML schneller bereitzustellen, das Vertrauen in Modellausgaben aufrechtzuerhalten und die Performance kontinuierlich zu verbessern, wenn sich Daten und Geschäftsbedingungen weiterentwickeln.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout__0","text__0","title_what-is-mlops","text_what-is-mlops_0","title_why-mlops-matters","text_why-mlops-matters_0","quote_why-mlops-matters_0","title_mlops-vs-devops","text_mlops-vs-devops_0","callout_mlops-vs-devops_0","title_the-mlops-lifecycle","text_the-mlops-lifecycle_0","card_v2_the-mlops-lifecycle_0","title_core-components-of-mlops","text_core-components-of-mlops_0","title_mlops-maturity-levels","text_mlops-maturity-levels_0","yt_mlops-maturity-levels_0","title_mlops-for-generative-ai-and-llmops","text_mlops-for-generative-ai-and-llmops_0","title_mlops-best-practices","text_mlops-best-practices_0","title_why-run-mlops-on-snowflake","text_why-run-mlops-on-snowflake_0","title_mlops-turns-model-work-into-an-operating-discipline","text_mlops-turns-model-work-into-an-operating-discipline_0","callout_mlops-turns-model-work-into-an-operating-discipline_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-7d96083d81",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-bc542f2bc9","additionalClasses":"eyebrow-text","text":"\u003Cp\u003EIn diesem Leitfaden\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-36d557c293","additionalClasses":"page-toc","text":"\u003Cul\u003E\r\n\u003Cli data-anchor=\"what-is-mlops\"\u003EWas ist MLOps?\u003C/li\u003E\r\n\u003Cli data-anchor=\"why-mlops-matters\"\u003EWarum MLOps wichtig ist\u003C/li\u003E\r\n\u003Cli data-anchor=\"mlops-vs-devops\"\u003EMLOps vs. DevOps\u003C/li\u003E\r\n\u003Cli data-anchor=\"the-mlops-lifecycle\"\u003EDer MLOps-Lebenszyklus\u003C/li\u003E\r\n\u003Cli data-anchor=\"core-components-of-mlops\"\u003EKernkomponenten von MLOps\u003C/li\u003E\r\n\u003Cli data-anchor=\"mlops-maturity-levels\"\u003EMLOps-Reifestufen\u003C/li\u003E\r\n\u003Cli data-anchor=\"mlops-for-generative-ai-and-llmops\"\u003EMLOps für generative KI und LLMOps\u003C/li\u003E\r\n\u003Cli data-anchor=\"mlops-best-practices\"\u003EBest Practices für MLOps\u003C/li\u003E\r\n\u003Cli data-anchor=\"why-run-mlops-on-snowflake\"\u003EWarum MLOps auf Snowflake ausführen\u003C/li\u003E\r\n\u003Cli data-anchor=\"mlops-turns-model-work-into-an-operating-discipline\"\u003EMLOps macht die Arbeit mit Modellen zu einer operativen Disziplin\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-fd4e704246","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-c340ac4cf0","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Häufig gestellte Fragen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-c3d5eef88a","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EIhre häufigsten Fragen zu MLOps, beantwortet von Snowflake-Expert:innen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-cc9177292b","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Was ist der Unterschied zwischen MLOps und DevOps?","richText":"\u003Cp\u003EDevOps konzentriert sich auf die Automatisierung und Verbesserung der Softwarebereitstellung. MLOps wendet viele der gleichen Prinzipien auf ML-Systeme an, fügt jedoch modellspezifische Praktiken für Datenvalidierung, Feature-Management, Experiment-Tracking, Modellversionierung,Drift-Überwachung, Retraining und Governance hinzu. Ein Modell kann fehlschlagen, weil sich der Code geändert hat, aber auch, weil sich die Daten geändert haben.\u003C/p\u003E\r\n"},{"title":"Was sind die Reifestufen von MLOps?","richText":"\u003Cp\u003EEin gängiges Modell umfasst drei Stufen: Stufe 0 für manuelle ML-Prozesse, Stufe 1 für automatisierte ML-Pipelines und Stufe 2 für die CI/CD-Automatisierung von ML-Pipelines. Einige Unternehmen erweitern dies um ein fortgeschritteneres Level, auf dem Monitoring-Signale Retraining- und Governance-Workflows auslösen können.\u003C/p\u003E\r\n"},{"title":"Was ist der Unterschied zwischen MLOps und LLMOps?","richText":"\u003Cp\u003EMLOps verwaltet den Lebenszyklus von ML-Modellen im Allgemeinen, einschließlich Training, Deployment, Monitoring und Retraining. LLMOps erweitert diese Praktiken für Anwendungen für Large Language Models, bei denen Teams auch Prompt-Versionierung, RAG-Pipeline-Monitoring, Evaluierungs-Frameworks, Sicherheitskontrollen, Token-Kostenmanagement und Feedbackschleifen benötigen.\u003C/p\u003E\r\n"},{"title":"Was sind die Kernkomponenten einer MLOps-Pipeline?","richText":"\u003Cp\u003EEine typische MLOps-Pipeline umfasst Daten-Pipelines, Datenvalidierung, Feature Engineering, Experiment-Tracking, Modell-Training, Modell-Evaluierung, eine Modell-Registry, Deployment-Automatisierung, Model Serving, Monitoring, Orchestrierung, Feedbackschleifen und Governance-Kontrollen.\u003C/p\u003E\r\n"},{"title":"Welche Tools oder Plattform benötige ich für MLOps?","richText":"\u003Cp\u003EMLOps erfordert in der Regel Tools für Daten-Pipelines, Feature-Management, Experiment-Tracking, Modell-Training, Modellregistrierung, CI/CD, Serving, Monitoring, Orchestrierung und Governance. Einige Teams stellen diese Funktionen aus separaten Tools zusammen, während andere eine Plattform wie Snowflake ML nutzen, um einen größeren Teil des Lebenszyklus nah an den verwalteten Unternehmensdaten zu halten.\u003C/p\u003E\r\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-a8264ff70a","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-21b904ce1b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-bb30968fce","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["KI-Ressourcen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-054dc324f0","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-a6e7e8dc16","tagText":"WEBINAR","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/abm/resource-library/webinars/advantages-of-running-machine-learning-operations-mlops-in-the-cloud-3/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title-v2-e3750c5009","type":"heading5","lines":["Advantages of Running MLOps in the Cloud"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-2ccd451ac4","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/ml-enhances-mlops-streaming-feature-model-management/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Blog lesen"},"headline":{"id":"title-v2-39222411f2","type":"heading5","lines":["Snowflake ML Enhances MLOps for Feature & Model Management"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-89ff8a1fea","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/scalable-model-serving-architecture/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Blog lesen"},"headline":{"id":"title-v2-5a1d307384","type":"heading5","lines":["Scalable Model Serving: An Architectural Overview"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-0fd4e7ce16","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/snowflake-ml-runtime-vs-databricks-tpcx-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Blog lesen"},"headline":{"id":"title-v2-dbdc80d5b8","type":"heading5","lines":["Accelerating Distributed Training with Snowflake ML"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_251957817","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-87b6f1472c",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-58f2cb8c03","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-3d1f78e40a","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-4646139928","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-bd09aa828f","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/mlops"},"experiencefragment":{"id":"experiencefragment-f44c8fdd08","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/mlops"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],"isPasswordProtected":false,"analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","pipeline":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/de/artificial-intelligence/machine-learning/mlops","language":"de","category":"general","pageName":"MLOps: Wie Daten, Modelle und Governance in der Produktion zusammenkommen","contentTags":[]},"analyticsContentTags":[],"locale":"de"}