Die Falle der Abweichung zwischen Training und Serving
Wenn die Daten zur Laufzeit nicht mehr den Trainingsdaten entsprechen.
Die Falle der Abweichung zwischen Training und Serving ist eine kostenlose MLOps Academy-Lektion auf CoddyKit. Dies ist Lektion 1 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.
Was Skew bedeutet
Training-Serving-Skew liegt vor, wenn die Daten, die Ihr Modell in der Produktion sieht, nicht mehr den Daten entsprechen, aus denen es beim Training gelernt hat. 📉
Warum das problematisch ist
Ihr Modell geht davon aus, dass die Bereitstellungsdaten wie die Trainingsdaten aussehen. Wenn diese Annahme nicht mehr stimmt, werden die Vorhersagen unbemerkt schlechter, obwohl nichts abstürzt. Das ist Skew.
Unterschiedliche Codepfade
Eine typische Ursache sind zwei Codepfade: Ein Skript bereitet die Trainingsdaten auf, ein anderes die Live-Anfragen. Schon kleine Unterschiede zwischen beiden erzeugen Skew.
Eine sichtbare Abweichung
Hier skaliert das Training anhand eines Mittelwerts, während die Bereitstellung einen anderen verwendet. Das Modell erhält nun Zahlen, mit denen es nie trainiert wurde, daher ist seine Skalierung falsch.
# training
x = (raw - 50.0) / 10.0
# serving (wrong!)
x = (raw - 0.0) / 10.0Veraltete Merkmale
Skew tritt auch auf, wenn ein Merkmal beim Training aktuell, bei der Bereitstellung aber veraltet ist – etwa weil ein Durchschnitt von gestern statt von jetzt verwendet wird.
Derselbe Fehler auf beiden Seiten
Am sichersten ist es, eine Funktion für beide Pfade gemeinsam zu verwenden. Wenn ein Fehler vorhanden ist, tritt er zumindest beim Training und bei der Bereitstellung identisch auf, sodass kein Skew entsteht.
def make_features(raw):
return (raw - 50.0) / 10.0
# call from training AND servingSchema-Skew
Schema-Skew entsteht, wenn eine Spalte zwischen Training und Bereitstellung ihren Typ oder Namen ändert, etwa wenn aus einer Ganzzahl eine Zeichenkette wird. Das Modell interpretiert sie dann unbemerkt falsch.
Die Reihenfolge der Merkmale ist wichtig
Viele Modelle lesen Merkmale anhand ihrer Position und nicht anhand ihres Namens. Vertauschen Sie bei der Bereitstellung zwei Spalten, entsteht eine unauffällige, gefährliche Reihenfolgenabweichung.
Mit Prüfungen erkennen
Eine einfache Absicherung: Stellen Sie sicher, dass die Eingabe bei der Bereitstellung dieselben Spalten enthält, mit denen das Modell trainiert wurde. Erkennen Sie Skew an der Eingangstür und nicht erst im Dashboard.
assert list(request.columns) == model.feature_names_in_.tolist()Feature Stores helfen
Ein Feature Store berechnet Merkmale einmal und stellt sie sowohl für das Training als auch für die Inferenz bereit. Dadurch wird eine ganze Klasse von Skew-Fehlern von vornherein vermieden.
Protokollieren und vergleichen
Protokollieren Sie eine Stichprobe echter Eingaben aus der Bereitstellung und vergleichen Sie deren Statistiken mit Ihrem Trainingssatz. Eine Abweichung bei Mittelwerten oder Wertebereichen ist ein frühes Skew-Warnsignal.
Kurzer Check
Welche Option beseitigt Training-Serving-Skew am besten?
Zusammenfassung
Skew ist eine unbemerkte Abweichung zwischen Trainings- und Bereitstellungsdaten. Verwenden Sie gemeinsamen Merkmalscode, prüfen Sie die Schemata und protokollieren Sie Live-Eingaben, damit Ihr Modell verlässlich bleibt. ✅
Lerne Python mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 30
- Lektionen
- 120
Häufig gestellte Fragen
Ist die Lektion „Die Falle der Abweichung zwischen Training und Serving“ kostenlos?
Ja — der vollständige Text von „Die Falle der Abweichung zwischen Training und Serving“ 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 „Die Falle der Abweichung zwischen Training und Serving“?
Wenn die Daten zur Laufzeit nicht mehr den Trainingsdaten entsprechen. 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 1 von 4.
Wie lange dauert die Lektion „Die Falle der Abweichung zwischen Training und Serving“?
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 Falle der Abweichung zwischen Training und Serving
- Stille Fehler: kein Absturz, falsche Antworten
- Wenn sich die Welt unter Ihrem Modell verändert
- Das Problem der Reproduzierbarkeit