MLflow

MLflow ist das meistgenutzte Open-Source-Framework für das Management des Machine-Learning-Lebenszyklus. Als Apache-Projekt ist es kostenlos, gut dokumentiert und in tausenden Unternehmen weltweit im Einsatz – von kleinen Startups bis zu Fortune-500-Konzernen. Die vier Kernkomponenten decken den gesamten ML-Workflow ab: MLflow Tracking protokolliert Experimente mit allen zugehörigen Parametern, Metriken und Artefakten.

MLflow Projects standardisiert die Verpackung von ML-Code für reproduzierbare Ausführungen. MLflow Models definiert ein einheitliches Format für Modelle aus verschiedenen Frameworks. MLflow Registry verwaltet Modell-Versionen mit Staging und Production-Workflows.

Das Alleinstellungsmerkmal gegenüber SaaS-Alternativen ist das Selbst-Hosting: MLflow kann lokal oder auf eigenen Servern betrieben werden, ohne dass Modellgewichte, Trainingsdaten oder Experimente die eigene Infrastruktur verlassen. Für Unternehmen mit sensiblen Modellen oder proprietären Datensätzen ist das unverzichtbar. Die Framework-Agnostizität ist praktisch relevant: TensorFlow, PyTorch, scikit-learn, XGBoost, Keras, Spark MLlib – alle funktionieren ohne Anpassungen.

Das macht MLflow zur Standardlösung in heterogenen Data-Science-Teams, wo verschiedene Frameworks nebeneinander eingesetzt werden. Databricks, das Unternehmen hinter MLflow, bietet auch eine verwaltete Cloud-Version an, aber das Open-Source-Kernprodukt bleibt kostenlos und vollständig unabhängig nutzbar.