Model Registry

Model Registry im Überblick

Eine Model Registry ist das zentrale Verwaltungssystem für trainierte ML-Modelle in einer Organisation. Sie speichert nicht nur die Modell-Artefakte selbst, sondern auch alle Metadaten: Trainings-Parameter, Evaluierungs-Metriken, Datensatz-Versionen und Deployment-Status. Ohne Model Registry verliert man schnell den Überblick, welches Modell gerade in Produktion ist, welche Version besser war und wie man ein Modell reproduzieren kann. Eine Model Registry ist damit ein zentrales Element von Model Governance und MLOps. MLflow Model Registry und Weights & Biases sind die meistgenutzten Lösungen. Sie ermöglichen auch A/B-Tests zwischen Modellversionen und einfaches Rollback bei Problemen.

Eine Model Registry ist ein zentrales Repository für ML-Modelle. Sie speichert nicht nur die Modelle selbst, sondern auch alle wichtigen Informationen: Welche Version, welche Metriken, welche Daten wurden verwendet, wo ist es deployed?

Warum ist das wichtig?

Ohne Registry:

• “Welches Modell läuft gerade in Production?”
• “Warum ist die neue Version schlechter?”
• “Können wir zur letzten Version zurück?” -> Chaos und Risiko

Mit Registry:

• Klare Versionierung und History
• Einfaches Rollback bei Problemen
• Audit-Trail für Compliance

Technisch betrachtet

Kernfunktionen

MLflow Beispiel

import mlflow

# Modell registrieren
mlflow.register_model(
    model_uri="runs:/abc123/model",
    name="fraud-detection-model"
)

# Version zu Production promoten
client = mlflow.tracking.MlflowClient()
client.transition_model_version_stage(
    name="fraud-detection-model",
    version=3,
    stage="Production"
)

# Modell aus Registry laden
model = mlflow.pyfunc.load_model(
    model_uri="models:/fraud-detection-model/Production"
)

Model Stages

None → Staging → Production → Archived
         ↓          ↓
      Testing    Live Traffic
         ↓          ↓
      Metrics    Monitoring

Best Practices

• Automatische Registrierung: Jedes erfolgreiche Training registriert automatisch
• Approval Workflow: Manuelles Review vor Production-Promotion
• Metadaten-Standards: Einheitliche Tags und Beschreibungen
• Retention Policy: Alte Versionen archivieren oder löschen