MLOps

MLOps (machine learning operations) is het werk om een AI-model betrouwbaar te houden nadat het in gebruik is genomen: weten welke versie draait, controleren of de voorspellingen nog kloppen als klanten, prijzen en seizoenen veranderen, en het bijwerken zonder dat er iets stukgaat. Denk aan productaanbevelingen in een webshop of een verkoopprognose voor een tuincentrum. Zonder dat onderhoud kan een model langzaam slechter worden zonder dat iemand het merkt.

Waar komt MLOps vandaan?

De naam is ontleend aan DevOps, de praktijk om het testen en uitbrengen van software te automatiseren, zodat wijzigingen sneller en betrouwbaarder bij gebruikers komen. In 2015 waarschuwden engineers van Google (Sculley e.a.) dat systemen met machine learning grote verborgen onderhoudskosten hebben: in een echt systeem is de modelcode maar een klein deel, omringd door gegevensverzameling, configuratie, serving en monitoring. Google Cloud omschrijft MLOps als een engineeringcultuur en -praktijk die de ontwikkeling en het beheer van machine-learningsystemen samenbrengt, met automatisering en monitoring bij elke stap. Op basis van literatuur, tools en acht interviews met experts plaatsen Kreuzberger e.a. (2022) MLOps op het snijvlak van machine learning, software-engineering (vooral DevOps) en data-engineering.

Waarom heeft een model onderhoud nodig?

Een model leert van gegevens, en de wereld waaruit die gegevens komen, verandert voortdurend. Google schrijft dat modellen op meer manieren kunnen verslechteren dan gewone software, omdat de gegevens steeds verschuiven. Het raadt aan samenvattende statistieken van de binnenkomende gegevens en de prestaties van het model in productie bij te houden, met een waarschuwing of een terugdraaiactie als de waarden afwijken. Als aanleiding voor opnieuw trainen noemt Google onder meer een vast schema, nieuwe gegevens, dalende prestaties en een merkbare verschuiving in de invoergegevens.

Hoe werkt het?

Google beschrijft drie niveaus van volwassenheid:

1. Niveau 0, handmatig. Elke stap, van gegevens voorbereiden tot trainen en uitrollen, gebeurt met de hand in scripts en notebooks. Volgens Google is dit het meest voorkomende niveau, en gaat een nieuwe modelversie maar een paar keer per jaar live.
2. Niveau 1, een geautomatiseerde trainingspipeline. Het model wordt automatisch opnieuw getraind op nieuwe gegevens, met automatische controles van de gegevens en het model (continuous training).
3. Niveau 2, CI/CD voor de pipeline zelf. Wijzigingen in de code van de pipeline worden automatisch gebouwd, getest en uitgerold, zodat een team snel nieuwe ideeën kan uitproberen.

Kreuzberger e.a. noemen de principes erachter, waaronder versiebeheer van gegevens, model en code, het bijhouden van experimenten en metadata, doorlopend trainen en evalueren, monitoring en feedbacklussen. Opensourcetools als MLflow (experimenten bijhouden en een model registry) en Kubeflow (tools voor data- en AI-werk op Kubernetes) dekken delen hiervan af, en de grote cloudaanbieders verkopen beheerde platforms.

Wat verandert er bij taalmodellen?

Google noemt LLMOps een deelgebied van MLOps dat zich richt op het beheer van grote taalmodellen. Toepassingen die op zulke modellen draaien, brengen eigen taken mee: MLflow biedt bijvoorbeeld naast het beheer van de levenscyclus van modellen ook tracing, evaluatie en promptbeheer voor LLM-toepassingen en agents aan (september 2026). Het advies uit het artikel over prompt engineering geldt hier ook: leg de modelversie vast en test prompts voordat je ze wijzigt.

Voorbeeld

Stel: een tuincentrum gebruikt een model dat per productgroep de verkoop van de komende week voorspelt, zodat het de juiste voorraad kan bestellen. Op niveau 0 traint een analist het af en toe met de hand opnieuw. Met MLOps bewaart het tuincentrum elke modelversie samen met de gegevens waarop die is getraind, vergelijkt het elke week de voorspelling met de werkelijke verkoop en krijgt het een waarschuwing als de fout groter wordt, bijvoorbeeld nadat een hittegolf de vraag verschuift. Het model wordt dan opnieuw getraind op recente gegevens, en voorspelt de nieuwe versie slechter, dan schakelt het tuincentrum terug naar de vorige.