Zuletzt aktualisiert am:
Die Erfassung und Pflege deskriptiver Daten (z. B. Datenherkunft, Feature-Definitionen, Modellparameter) zur Unterstützung der Rückverfolgbarkeit und von Audits.
Implementierung von Metadaten-Registries, die Lineage-Informationen (Quell-Datensätze, Transformationsschritte), Feature-Kataloge (Definitionen, Datentypen), Modell-Artefakte (Hyperparameter, Versionen des Trainingscodes) und Nutzungsprotokolle erfassen. Die Governance erzwingt die obligatorische Metadatenerfassung in jeder Pipeline-Phase, integriert Prüfungen zur Metadaten-Validierung und stellt Such- sowie Berichts-Schnittstellen bereit, damit Stakeholder Audits und Auswirkungsanalysen durchführen können.
Praxisbeispiel:
Eine ML-Plattform für die pharmazeutische Industrie nutzt einen Metadatenspeicher zur Erfassung von Datensatzversionen, Feature-Engineering-Skripten, Git-Commits des Modelltrainings und Bereitstellungszeitstempeln. Wenn die Leistung eines Modells nachlässt, fragen Analysten diesen Metadatenspeicher ab, um die genauen Daten- oder Codeänderungen zu ermitteln, die dafür verantwortlich sind.
