Audit-Trails und Reproduzierbarkeit
Rekonstruieren Sie jede frühere Vorhersage bei Bedarf.
Audit-Trails und Reproduzierbarkeit ist eine kostenlose MLOps Academy-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des MLOps Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
What an Audit Trail Is
An audit trail is a tamper-resistant record of who did what, when, so any model decision can be explained long after it happened. 🧾
Reconstruct Any Prediction
The goal is simple but strict: given a prediction from months ago, you must rebuild the exact model and inputs that produced it.
Log Every Prediction
To audit later, capture the request now. Save the input features, the output, and the model version on every call.
log = {"ts": now(), "model_version": "3",
"inputs": features, "prediction": y}
prediction_store.write(log)Pin the Model Version
A bare prediction is useless for audits. Always store the model version beside it so you know exactly which model answered.
From Version to Build
Lineage connects that version back to its build. The registry version points to an MLflow run holding the data and code that made it.
Reproduce the Run
With the run id you can rebuild the world: check out the logged commit, restore the pinned data, and rerun training.
run = mlflow.get_run(run_id)
commit = run.data.tags["git_commit"]
subprocess.run(["git", "checkout", commit])Make Logs Immutable
An audit log you can edit proves nothing. Write to append-only storage so records can be added but never quietly changed.
Keep a Retention Policy
Decide how long records must live. Regulated fields often demand retention of years, so set it deliberately, not by accident.
Record the Environment
Code alone is not enough. Log the locked dependencies too, since a different library version can change a result silently.
mlflow.log_artifact("requirements.txt")Audit-Ready by Default
The trick is to make trails automatic. When logging happens on every run and request, you are always ready for an audit, not scrambling. ✅
Replay to Verify
To prove a result, feed the logged inputs back into the rebuilt model. A matching output confirms the trail is genuinely reproducible.
Quick Check
Think about what you must log to reconstruct an old prediction.
Recap
You saw how audit trails log every prediction with its version, write immutably, and use lineage to fully reproduce any past result. ✅
Häufig gestellte Fragen
Ist die Lektion „Audit-Trails und Reproduzierbarkeit“ kostenlos?
Ja — der vollständige Text von „Audit-Trails und Reproduzierbarkeit“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des MLOps Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Audit-Trails und Reproduzierbarkeit“?
Rekonstruieren Sie jede frühere Vorhersage bei Bedarf. Du übst MLOps Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um MLOps Academy zu starten?
Keine Vorkenntnisse erforderlich. MLOps Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Audit-Trails und Reproduzierbarkeit“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser MLOps Academy-Lektion Code schreiben und ausführen?
Ja. Jede MLOps Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Die Daten-zu-Modell-Herkunft nachverfolgen
- Model Cards schreiben
- Audit-Trails und Reproduzierbarkeit
- Zugriffskontrolle und Compliance