Die Praxis der Erfassung und Pflege beschreibender Daten (z. B. Datenherkunft, Merkmaldefinitionen, Modellparameter), um Rückverfolgbarkeit und Audits zu unterstützen.
Implementierung von Metadatenregistern, die Lineage-Informationen (Quelldatensätze, Transformationsschritte), Feature-Kataloge (Definitionen, Datentypen), Modellartefakte (Hyperparameter, Versionen des Trainingscodes) und Nutzungsprotokolle erfassen. Die Governance stellt die obligatorische Erfassung von Metadaten in jeder Pipeline-Phase sicher, integriert Prüfungen zur Metadatenvalidierung und bietet Such- und Berichtsschnittstellen, damit Stakeholder Audits und Auswirkungsanalysen durchführen können.
Eine pharmazeutische ML-Plattform verwendet einen Metadatenspeicher, um Folgendes zu protokollieren: Datensatzversionen, Skripte für das Feature Engineering, Git-Commits für das Modelltraining und Zeitstempel der Bereitstellung. Wenn die Leistung eines Modells nachlässt, fragen Untersuchende den Metadatenspeicher ab, um die genauen Daten- oder Codeänderungen zu ermitteln, die dafür verantwortlich sind.
