[{"data":1,"prerenderedAt":2078},["ShallowReactive",2],{"/de-de/blog/what-is-mlops":3,"navigation-de-de":1294,"banner-de-de":1726,"footer-de-de":1734,"blog-post-authors-de-de-GitLab Germany Team":1974,"blog-related-posts-de-de-what-is-mlops":1990,"blog-promotions-de-de":2015,"next-steps-de-de":2068},{"id":4,"title":5,"authors":6,"body":8,"category":1276,"date":1277,"description":1278,"extension":1279,"externalUrl":1280,"faq":1280,"featured":1281,"heroImage":1282,"meta":1283,"navigation":290,"path":1284,"seo":1285,"slug":1288,"stem":1289,"tags":1290,"template":1292,"updatedDate":1280,"__hash__":1293},"blogPosts/de-de/blog/what-is-mlops.md","MLOps – systematisches ML-Lifecycle-Management mit GitLab",[7],"GitLab Germany Team",{"type":9,"value":10,"toc":1220},"minimark",[11,18,21,33,36,48,53,65,80,89,96,100,103,110,125,131,138,142,149,154,157,161,164,168,171,176,180,183,187,190,194,197,201,204,222,225,236,246,252,258,273,618,622,625,644,653,657,660,674,677,681,684,691,695,702,705,708,712,715,721,725,728,732,735,738,741,745,752,755,769,772,776,779,782,794,798,801,808,812,815,818,825,828,832,835,848,855,859,862,869,872,876,879,883,886,896,900,907,911,918,922,925,929,939,943,953,956,990,994,1005,1011,1015,1018,1022,1033,1037,1048,1054,1058,1061,1065,1068,1088,1092,1095,1115,1118,1122,1125,1132,1139,1145,1149,1152,1156,1160,1163,1167,1170,1174,1177,1181,1184,1204,1207,1216],[12,13,14],"p",{},[15,16,17],"strong",{},"MLOps (Machine Learning Operations) umfasst alle Praktiken zum zuverlässigen, nachhaltigen Deployment, Monitoring und Maintenance von Machine-Learning-Modellen in Production.",[12,19,20],{},"Ein Modell in Production zu bringen ist mehr als Training. Zwischen Datenaufbereitung, Deployment, Performance-Monitoring und Maintenance stoßen Teams auf Komplexität, die weit über reine Entwicklung hinausgeht. Resultat: verlängerte Timelines, explodierende Kosten, einbrechende Zuverlässigkeit.",[12,22,23],{},[15,24,25,26,32],{},"Kurz gesagt: MLOps verhält sich zu Machine Learning wie ",[27,28,31],"a",{"href":29,"rel":30},"https://about.gitlab.com/de-de/topics/devops/",[],"DevOps"," zu Software-Entwicklung – ein strukturierter Ansatz, der Workflows automatisiert, Kollaboration zwischen Data-Science- und Engineering-Teams verbessert und Modell-Kontinuität in Production garantiert.",[12,34,35],{},"Durch Organisation des kompletten Modell-Lifecycles – von Konzeption bis kontinuierlicher Verbesserung – ermöglicht MLOps Organisationen, maximalen Wert aus KI-Projekten zu ziehen und diese langfristig zu etablieren.",[37,38,39],"blockquote",{},[12,40,41],{},[15,42,43],{},[27,44,47],{"href":45,"rel":46},"https://about.gitlab.com/de-de/free-trial/devsecops/?utm_medium=blog&utm_source=blog&utm_campaign=eg_emea_x_trial_x_de_blog_de",[],"→ GitLab Ultimate und GitLab Duo Enterprise kostenlos testen.",[49,50,52],"h2",{"id":51},"mlops-definition-und-rolle","MLOps: Definition und Rolle",[12,54,55,56,59,60,64],{},"Der Begriff ",[15,57,58],{},"MLOps"," kombiniert ",[61,62,63],"em",{},"Machine Learning und Operations",". Er bezeichnet alle Praktiken, Tools und Methoden zur Verwaltung des kompletten Machine-Learning-Modell-Lifecycles – von Konzeption bis Production-Betrieb.",[12,66,67,68,71,72,75,76,79],{},"Die zentrale Idee: ",[15,69,70],{},"Zwei oft getrennte Welten verbinden"," – ",[15,73,74],{},"Data Scientists",", die Modelle entwickeln und trainieren, und ",[15,77,78],{},"Engineering-Teams",", die diese deployen, monitoren und maintainen müssen. Durch diese Verbindung garantiert MLOps Kontinuität zwischen Experimentierung und realer Nutzung.",[12,81,82,83,88],{},"Die Rolle geht über reine Automatisierung hinaus. MLOps zielt darauf ab, Modell-Zuverlässigkeit über Zeit zu garantieren, Team-Kollaboration zu optimieren und Organisationen einen Rahmen zu geben für ",[27,84,87],{"href":85,"rel":86},"https://about.gitlab.com/de-de/the-source/ai/6-strategies-to-help-developers-accelerate-ai-adoption/",[],"industrielle, nachhaltige Machine-Learning-Nutzung",".",[12,90,91],{},[92,93],"img",{"alt":94,"src":95},"MLOps-Konzept-Übersicht","https://res.cloudinary.com/about-gitlab-com/image/upload/v1762517964/cwgub5rfekc0wzcms012.png",[49,97,99],{"id":98},"warum-ist-mlops-unverzichtbar-geworden","Warum ist MLOps unverzichtbar geworden?",[12,101,102],{},"Machine Learning hat sich weit über Forschung hinaus etabliert. Use Cases multiplizieren sich: Echtzeit-Betrugs-Detection, personalisierte Empfehlungen, Predictive Maintenance, generative Assistenten. Diese Modelle bleiben nicht im experimentellen Stadium – sie müssen in Production laufen, oft mit strikten Latenz-Anforderungen und unter starken Constraints.",[12,104,105,106,109],{},"Doch Schwierigkeiten treten schnell auf. ",[15,107,108],{},"Deployment-Zyklen verlängern sich",", Modelle degradieren sobald Daten evolvieren, und Ergebnisse werden schwer auditierbar. Ohne Optimierung explodieren Infrastruktur-Kosten. Diese Bremsen sind Teams inzwischen bekannt.",[12,111,112,113,116,117,120,121,124],{},"MLOps bietet eine strukturierte Antwort auf diese Probleme. Es standardisiert ",[15,114,115],{},"Deployment",", ",[15,118,119],{},"Monitoring"," und ",[15,122,123],{},"Governance"," von Modellen. Es ermöglicht auch Zukunftsvorbereitung: AutoML-Integration, generative Modell-Verwaltung, Compliance mit neuen Regelungen wie dem AI Act (Europäische KI-Verordnung).",[12,126,127,130],{},[15,128,129],{},"Für deutsche Unternehmen wird MLOps durch die KI-Verordnung der EU (AI Act) zur strategischen Notwendigkeit."," Die Verordnung tritt vollständig im August 2026 in Kraft. Artikel 9 fordert Risiko-Management-Systeme für Hochrisiko-KI. Artikel 17 verlangt technische Dokumentation aller ML-Modelle inklusive Training-Daten, Architektur und Validation. MLOps-Praktiken – systematisches Versioning, Audit-Trails, reproduzierbare Pipelines – erfüllen diese Anforderungen direkt.",[12,132,133,134,137],{},"Für viele Organisationen markiert MLOps-Adoption einen ",[15,135,136],{},"Reife-Schritt",". Sie bedingt die Fähigkeit, Prototypen in dauerhafte Assets zu transformieren und KI in glaubwürdige Unternehmensstrategie einzubetten.",[49,139,141],{"id":140},"welche-vorteile-bietet-mlops","Welche Vorteile bietet MLOps?",[12,143,144,145,148],{},"MLOps ist keine reine Methode – es ist ein Kultur-Wandel, der Machine Learning ",[15,146,147],{},"schneller, zuverlässiger und skalierbarer"," in jeder Phase des Software-Entwicklungs-Lifecycles macht.",[150,151,153],"h3",{"id":152},"_1-endlich-alignte-teams","1. Endlich alignte Teams",[12,155,156],{},"MLOps eliminiert Silos zwischen Data Scientists, Entwicklern und Ops-Engineers. Durch gemeinsame Pipelines und denselben Code visualisieren alle dieselben Metriken und sprechen dieselbe Sprache. Modelle gehen von R&D in Production ohne Brüche oder Informationsverlust.",[150,158,160],{"id":159},"_2-friktionsfreier-production-übergang","2. Friktionsfreier Production-Übergang",[12,162,163],{},"Dank CI/CD-Automatisierung laufen Training, Testing und Deployment ohne manuelle Intervention ab. Was Wochen dauerte, geschieht in Stunden – mit reproduzierbaren, kontrollierten Workflows über integrierte Plattformen wie GitLab.",[150,165,167],{"id":166},"_3-nachvollziehbare-reproduzierbare-modelle","3. Nachvollziehbare, reproduzierbare Modelle",[12,169,170],{},"Jede Modell-Version, jedes Dataset und jeder Code wird archiviert. Bei Drift lässt sich ein Experiment wiederholen, die Ursache identifizieren oder eine stabile Version wiederherstellen. Diese Nachvollziehbarkeit transformiert Machine Learning in verifizierbaren, nachhaltigen Prozess.",[12,172,173],{},[15,174,175],{},"Diese systematische Reproduzierbarkeit erfüllt zentrale Anforderungen der KI-Verordnung Artikel 17 (technische Dokumentation) und ermöglicht deutschen Unternehmen audit-fähige Nachweise für Compliance.",[150,177,179],{"id":178},"_4-kontinuierliche-production-überwachung","4. Kontinuierliche Production-Überwachung",[12,181,182],{},"MLOps endet nicht beim Deployment. Performances werden kontinuierlich überwacht zur Drift-Erkennung. Tools wie Prometheus oder Grafana lassen sich in GitLab integrieren für Team-Alerting oder automatisches Retraining-Triggering.",[150,184,186],{"id":185},"_5-governance-by-design","5. Governance by Design",[12,188,189],{},"Security-, Compliance- und Audit-Anforderungen sind Teil der Pipeline. Automatische Dokumentation, Access-Control und Audit-Logs garantieren Transparenz und regulatorische Compliance ohne Zusatzaufwand.",[49,191,193],{"id":192},"mlops-prinzipien-und-best-practices","MLOps-Prinzipien und Best Practices",[12,195,196],{},"MLOps beschränkt sich nicht auf Konzepte. Es umfasst präzise Praktiken, die experimentelle Modelle in zuverlässige, nachhaltige Services transformieren. Diese Praktiken decken die gesamte Software-Chain ab: Development, Deployment, Monitoring und Governance.",[150,198,200],{"id":199},"workflow-automatisierung-cicdct","Workflow-Automatisierung (CI/CD/CT)",[12,202,203],{},"Ein klassisches Machine-Learning-Projekt durchläuft mehrere repetitive Schritte:",[205,206,207,211,214,217,220],"ol",{},[208,209,210],"li",{},"Datenaufbereitung",[208,212,213],{},"Training",[208,215,216],{},"Testing",[208,218,219],{},"Packaging",[208,221,115],{},[12,223,224],{},"Manuell durchgeführt sind diese langsam und fragil. Automatisierung transformiert diesen Pfad in kontinuierliche, vorhersagbare Chain.",[12,226,227,228,235],{},"Mit ",[15,229,230],{},[27,231,234],{"href":232,"rel":233},"https://about.gitlab.com/de-de/topics/ci-cd/cicd-pipeline/",[],"CI/CD-Pipelines"," triggert jede Code- oder Daten-Änderung automatisch notwendige Schritte: Training, Validation, Deployment. Modelle gehen schneller in Production, mit weniger Fehlern.",[12,237,238,245],{},[15,239,240],{},[27,241,244],{"href":242,"rel":243},"https://about.gitlab.com/de-de/topics/ci-cd/",[],"GitLab CI/CD",", bereits breit in Software-Entwicklung adaptiert, bildet eine natürliche Basis zur Orchestrierung dieser MLOps-Pipelines.",[12,247,248,251],{},[15,249,250],{},"CT (Continuous Training)"," ergänzt CI/CD durch Automatisierung des Modell-Retrainings. Sobald Drift erkannt wird oder Performance-Schwellen überschritten werden, kann automatisch ein neuer Training-Zyklus getriggert werden. Diese Praxis hält Modelle aligned mit Daten-Evolution ohne manuelle Intervention.",[12,253,254,257],{},[15,255,256],{},"Beispiel",": Diese minimalistische YAML-Datei illustriert eine typische ML-Pipeline, orchestriert über GitLab CI/CD:",[259,260,261,264,267,270],"ul",{},[208,262,263],{},"Daten-Ingestion und -Aufbereitung,",[208,265,266],{},"Modell-Training und -Speicherung,",[208,268,269],{},"Testing und Evaluation,",[208,271,272],{},"Automatisiertes Production-Deployment.",[274,275,280],"pre",{"className":276,"code":277,"language":278,"meta":279,"style":279},"language-yaml shiki shiki-themes github-light","\nimage: python:3.9\n\n\nbefore_script:\n  - pip install --no-cache-dir -r requirements.txt\n\nstages:\n  - prepare\n  - train\n  - test\n  - deploy\n\nprepare_data:\n  stage: prepare\n  script:\n    - python scripts/prepare_data.py\n  artifacts:\n    paths:\n      - data/processed/\n    expire_in: 7 days\n\ntrain_model:\n  stage: train\n  script:\n    - python scripts/train.py --data data/processed/\n  artifacts:\n    paths:\n      - models/model.pkl\n    expire_in: 30 days\n\ntest_model:\n  stage: test\n  script:\n    - pytest tests/\n    - python scripts/evaluate.py models/model.pkl\n\ndeploy_model:\n  stage: deploy\n  script:\n    - bash scripts/deploy.sh models/model.pkl\n  when: on_success\n","yaml","",[281,282,283,292,307,312,317,326,335,340,348,356,364,372,380,385,393,403,411,420,428,436,445,456,461,469,478,485,493,500,507,515,525,530,538,547,554,562,570,575,583,592,599,607],"code",{"__ignoreMap":279},[284,285,288],"span",{"class":286,"line":287},"line",1,[284,289,291],{"emptyLinePlaceholder":290},true,"\n",[284,293,295,299,303],{"class":286,"line":294},2,[284,296,298],{"class":297},"shJU0","image",[284,300,302],{"class":301},"sgsFI",": ",[284,304,306],{"class":305},"sYBdl","python:3.9\n",[284,308,310],{"class":286,"line":309},3,[284,311,291],{"emptyLinePlaceholder":290},[284,313,315],{"class":286,"line":314},4,[284,316,291],{"emptyLinePlaceholder":290},[284,318,320,323],{"class":286,"line":319},5,[284,321,322],{"class":297},"before_script",[284,324,325],{"class":301},":\n",[284,327,329,332],{"class":286,"line":328},6,[284,330,331],{"class":301},"  - ",[284,333,334],{"class":305},"pip install --no-cache-dir -r requirements.txt\n",[284,336,338],{"class":286,"line":337},7,[284,339,291],{"emptyLinePlaceholder":290},[284,341,343,346],{"class":286,"line":342},8,[284,344,345],{"class":297},"stages",[284,347,325],{"class":301},[284,349,351,353],{"class":286,"line":350},9,[284,352,331],{"class":301},[284,354,355],{"class":305},"prepare\n",[284,357,359,361],{"class":286,"line":358},10,[284,360,331],{"class":301},[284,362,363],{"class":305},"train\n",[284,365,367,369],{"class":286,"line":366},11,[284,368,331],{"class":301},[284,370,371],{"class":305},"test\n",[284,373,375,377],{"class":286,"line":374},12,[284,376,331],{"class":301},[284,378,379],{"class":305},"deploy\n",[284,381,383],{"class":286,"line":382},13,[284,384,291],{"emptyLinePlaceholder":290},[284,386,388,391],{"class":286,"line":387},14,[284,389,390],{"class":297},"prepare_data",[284,392,325],{"class":301},[284,394,396,399,401],{"class":286,"line":395},15,[284,397,398],{"class":297},"  stage",[284,400,302],{"class":301},[284,402,355],{"class":305},[284,404,406,409],{"class":286,"line":405},16,[284,407,408],{"class":297},"  script",[284,410,325],{"class":301},[284,412,414,417],{"class":286,"line":413},17,[284,415,416],{"class":301},"    - ",[284,418,419],{"class":305},"python scripts/prepare_data.py\n",[284,421,423,426],{"class":286,"line":422},18,[284,424,425],{"class":297},"  artifacts",[284,427,325],{"class":301},[284,429,431,434],{"class":286,"line":430},19,[284,432,433],{"class":297},"    paths",[284,435,325],{"class":301},[284,437,439,442],{"class":286,"line":438},20,[284,440,441],{"class":301},"      - ",[284,443,444],{"class":305},"data/processed/\n",[284,446,448,451,453],{"class":286,"line":447},21,[284,449,450],{"class":297},"    expire_in",[284,452,302],{"class":301},[284,454,455],{"class":305},"7 days\n",[284,457,459],{"class":286,"line":458},22,[284,460,291],{"emptyLinePlaceholder":290},[284,462,464,467],{"class":286,"line":463},23,[284,465,466],{"class":297},"train_model",[284,468,325],{"class":301},[284,470,472,474,476],{"class":286,"line":471},24,[284,473,398],{"class":297},[284,475,302],{"class":301},[284,477,363],{"class":305},[284,479,481,483],{"class":286,"line":480},25,[284,482,408],{"class":297},[284,484,325],{"class":301},[284,486,488,490],{"class":286,"line":487},26,[284,489,416],{"class":301},[284,491,492],{"class":305},"python scripts/train.py --data data/processed/\n",[284,494,496,498],{"class":286,"line":495},27,[284,497,425],{"class":297},[284,499,325],{"class":301},[284,501,503,505],{"class":286,"line":502},28,[284,504,433],{"class":297},[284,506,325],{"class":301},[284,508,510,512],{"class":286,"line":509},29,[284,511,441],{"class":301},[284,513,514],{"class":305},"models/model.pkl\n",[284,516,518,520,522],{"class":286,"line":517},30,[284,519,450],{"class":297},[284,521,302],{"class":301},[284,523,524],{"class":305},"30 days\n",[284,526,528],{"class":286,"line":527},31,[284,529,291],{"emptyLinePlaceholder":290},[284,531,533,536],{"class":286,"line":532},32,[284,534,535],{"class":297},"test_model",[284,537,325],{"class":301},[284,539,541,543,545],{"class":286,"line":540},33,[284,542,398],{"class":297},[284,544,302],{"class":301},[284,546,371],{"class":305},[284,548,550,552],{"class":286,"line":549},34,[284,551,408],{"class":297},[284,553,325],{"class":301},[284,555,557,559],{"class":286,"line":556},35,[284,558,416],{"class":301},[284,560,561],{"class":305},"pytest tests/\n",[284,563,565,567],{"class":286,"line":564},36,[284,566,416],{"class":301},[284,568,569],{"class":305},"python scripts/evaluate.py models/model.pkl\n",[284,571,573],{"class":286,"line":572},37,[284,574,291],{"emptyLinePlaceholder":290},[284,576,578,581],{"class":286,"line":577},38,[284,579,580],{"class":297},"deploy_model",[284,582,325],{"class":301},[284,584,586,588,590],{"class":286,"line":585},39,[284,587,398],{"class":297},[284,589,302],{"class":301},[284,591,379],{"class":305},[284,593,595,597],{"class":286,"line":594},40,[284,596,408],{"class":297},[284,598,325],{"class":301},[284,600,602,604],{"class":286,"line":601},41,[284,603,416],{"class":301},[284,605,606],{"class":305},"bash scripts/deploy.sh models/model.pkl\n",[284,608,610,613,615],{"class":286,"line":609},42,[284,611,612],{"class":297},"  when",[284,614,302],{"class":301},[284,616,617],{"class":305},"on_success\n",[150,619,621],{"id":620},"versions-management-daten-modelle-code","Versions-Management (Daten, Modelle, Code)",[12,623,624],{},"Ohne rigoroses Versions-Management ist es unmöglich zu wissen, auf welchen Daten ein Modell trainiert wurde oder zu einem früheren Zustand bei Drift zurückzukehren.",[12,626,627,628,631,632,637,638,643],{},"MLOps generalisiert ",[15,629,630],{},"systematisches Versioning",". Jedes Dataset, jedes Modell und jede Pipeline wird archiviert und mit entsprechendem Code verknüpft. GitLab bringt diese ",[27,633,636],{"href":634,"rel":635},"https://about.gitlab.com/de-de/topics/version-control/",[],"Versions-Management-Logik"," nativ mit – basierend auf ",[27,639,642],{"href":640,"rel":641},"https://about.gitlab.com/de-de/blog/what-is-git-the-ultimate-guide-to-gits-role-and-functionality/",[],"Git",". Erweitert auf ML-Workflows garantiert es End-to-End-Nachvollziehbarkeit.",[12,645,646,647,652],{},"Hinweis: Die ",[27,648,651],{"href":649,"rel":650},"https://docs.gitlab.com/user/project/ml/model_registry/",[],"GitLab Model Registry"," ermöglicht ML-Modell-Versionierung und -Katalogisierung neben Quellcode und schafft eine einzige Wahrheitsquelle für das gesamte Projekt.",[150,654,656],{"id":655},"validation-und-daten-modell-qualität","Validation und Daten-/Modell-Qualität",[12,658,659],{},"Ein in Test-Umgebung performantes Modell kann in Production scheitern. Um diese Diskrepanz zu vermeiden, führt MLOps Validationen auf mehreren Ebenen ein.",[259,661,662,668],{},[208,663,664,667],{},[15,665,666],{},"Daten-Qualität",": Outlier-Detection, Konsistenz zwischen Training- und Validation-Sets, Vollständigkeits-Tracking.",[208,669,670,673],{},[15,671,672],{},"Modell-Robustheit",": Performance-Tests, Bias-Verifikation, Evaluation anhand repräsentativer Business-Szenarien.",[12,675,676],{},"Diese in Pipelines integrierten Controls reduzieren das Risiko, fragile oder biased Modelle zu deployen.",[150,678,680],{"id":679},"monitoring-und-drift-detection","Monitoring und Drift-Detection",[12,682,683],{},"Ein Modell ist niemals statisch. Daten evolvieren, Verhaltensweisen ändern sich, und Performance degradiert über Zeit.",[12,685,686,687,690],{},"MLOps integriert ",[15,688,689],{},"kontinuierliches Monitoring"," technischer und Business-Metriken. Es detektiert statistische Drifts, generiert Alerts und kann automatisches Retraining triggern. Diese Loop verlängert Modell-Lebensdauer und erhält Alignment mit operativen Anforderungen.",[150,692,694],{"id":693},"data-engineering","Data Engineering",[12,696,697,698,701],{},"Viele Projekte scheitern nicht an Modellen, sondern an ",[15,699,700],{},"instabilen oder schlecht strukturierten Daten",". Daher ist Data Engineering essenzielle MLOps-Komponente.",[12,703,704],{},"Es basiert auf mehreren Praktiken: klare Daten-Contracts zwischen Produzenten und Nutzern definieren, Qualität und Verfügbarkeit von Daten-Flows kontinuierlich überwachen, und den richtigen Processing-Modus wählen – Batch für massive Volumen, Streaming für Realtime. Diese Fundamente garantieren, dass Modelle auf zuverlässigen, stabilen Daten basieren.",[12,706,707],{},"Eine Schlüsselkomponente ist der Feature Store, der von Modellen genutzte Features zentralisiert und versioniert. Er garantiert Konsistenz zwischen Training und Production, vermeidet Duplikation und beschleunigt Entwicklung neuer Modelle.",[150,709,711],{"id":710},"llmops-für-generative-modelle","LLMOps für generative Modelle",[12,713,714],{},"Über traditionelle Modelle hinaus bringen generative Modelle neue Herausforderungen: evolvierende Prompts, hohe Inference-Kosten, komplexere Qualitäts-Evaluation.",[12,716,717,720],{},[15,718,719],{},"LLMOps"," überträgt MLOps-Prinzipien auf diesen Kontext. Es umfasst Prompt-Versions-Management, User-Feedback-Integration und detailliertes Execution-Cost-Tracking. In manchen Umgebungen kann eine einzelne Anwendung Inference-Kosten von mehreren tausend Euro pro Tag generieren – Kontrolle dieser Ausgaben wird strategischer Imperativ.",[49,722,724],{"id":723},"mlops-projekt-lifecycle","MLOps-Projekt-Lifecycle",[12,726,727],{},"MLOps reduziert sich nicht auf Prinzipien. Es ist primär eine Organisationsweise für Machine-Learning-Projekt-Lifecycles – von Datenaufbereitung bis kontinuierlicher Production-Verbesserung. Jede Phase ist mit anderen verknüpft und gewinnt Effizienz durch strukturierten Ansatz.",[150,729,731],{"id":730},"daten-sammlung-und-aufbereitung","Daten-Sammlung und -Aufbereitung",[12,733,734],{},"Daten sind Ausgangspunkt jedes Machine-Learning-Projekts. Dennoch sind sie auch eine der Haupt-Schwierigkeitsquellen. Mehrere Studien zeigen, dass Datenaufbereitung 50-80% der Data-Scientists-Zeit beanspruchen kann – abhängig von Quellen-Qualität und verfügbarem Automatisierungsgrad.",[12,736,737],{},"MLOps formalisiert diese Arbeit mit automatisierten Ingestion-Pipelines, Daten-Contracts zwischen Teams und systematischen Validationen (Vollständigkeit, Konsistenz, Anomalie-Detection). Diese Mechanismen reduzieren Fehler und sichern folgende Schritte ab.",[12,739,740],{},"Diese solide Basis optimiert Training-Schritte mit bestmöglichen Bedingungen.",[150,742,744],{"id":743},"modell-training","Modell-Training",[12,746,747,748,751],{},"Sobald Daten bereit sind, geht es nicht nur um gute Metriken, sondern auch um ",[15,749,750],{},"Reproduzierbarkeit"," der Ergebnisse.",[12,753,754],{},"MLOps verstärkt diese Phase mit zwei Hebeln:",[259,756,757,763],{},[208,758,759,762],{},[15,760,761],{},"Systematisches Versioning"," von Daten, Code und Modellen;",[208,764,765,768],{},[15,766,767],{},"Experiment-Automatisierung"," via Pipelines.",[12,770,771],{},"Jeder Versuch wird dokumentiert, jeder Parameter aufgezeichnet. Teams können Ergebnisse objektiv vergleichen und vielversprechendste Konfigurationen schnell identifizieren.",[150,773,775],{"id":774},"production-deployment","Production-Deployment",[12,777,778],{},"Ein in Development-Umgebung performantes Modell hat keinen Impact, solange es nicht genutzt wird. Production-Deployment ist daher Schlüsselschritt, aber oft der heikelste.",[12,780,781],{},"MLOps vereinfacht diesen Übergang durch Automatisierung: standardisiertes Packaging, integrierte Tests, reproduzierbares Deployment. Wo Production-Deployment mehrere Wochen Koordination benötigte, lässt es sich nun in Tagen realisieren.",[12,783,784,785,787,788,793],{},"Auch hier bietet ",[15,786,244],{}," eine solide Basis zur Orchestrierung dieser Continuous-Deployments – mit Tools, die ",[27,789,792],{"href":790,"rel":791},"https://about.gitlab.com/de-de/topics/devops/build-a-devops-team/",[],"DevOps-Teams"," bereits kennen.",[150,795,797],{"id":796},"performance-tracking-und-kontinuierliche-verbesserung","Performance-Tracking und kontinuierliche Verbesserung",[12,799,800],{},"Sobald online, wird das Modell mit Live-Daten konfrontiert. Seine Performance evolviert, manchmal negativ.",[12,802,803,804,807],{},"Manche Teams gehen über reines Monitoring hinaus und implementieren ",[15,805,806],{},"automatisiertes Retraining",", sobald Performance-Degradations-Schwellen erreicht werden. Diese kontinuierliche Verbesserungs-Loop garantiert, dass Modelle relevant bleiben und mit Business-Anforderungen aligned sind.",[49,809,811],{"id":810},"rollen-in-mlops-projekten","Rollen in MLOps-Projekten",[12,813,814],{},"MLOps-Projekte basieren nicht auf einem einzelnen Team, sondern auf Komplementarität mehrerer Profile. Jedes spielt eine Schlüsselrolle bei Konzeption, Deployment und Modell-Maintenance.",[150,816,74],{"id":817},"data-scientists",[12,819,820,821,824],{},"Data Scientists bleiben Modell-Architekten. Ihre Rolle: ",[15,822,823],{},"Daten explorieren",", Algorithmen konzipieren und verschiedene Ansätze testen. Sie definieren auch Metriken für Performance-Evaluation.",[12,826,827],{},"In MLOps-Ansätzen evolviert ihre Mission. Notebooks werden reproduzierbar, Scripts integrieren sich in Pipelines, und Modelle werden versioniert. Dieser Rahmen-Wechsel verhindert, dass Arbeiten im Prototyp-Stadium steckenbleiben, und erleichtert Production-Übergang.",[150,829,831],{"id":830},"data-engineers-und-devops-teams","Data Engineers und DevOps-Teams",[12,833,834],{},"Modelle haben nur Wert, wenn sie genutzt werden können. Data Engineers und DevOps-Teams spielen zentrale Rollen bei der Transformation von Experimenten in robuste Lösungen.",[259,836,837,843],{},[208,838,839,842],{},[15,840,841],{},"Data Engineers"," bauen und maintainen Ingestion-Pipelines, garantieren Qualität und Verfügbarkeit von Daten-Flows und legen Fundamente für Daten-Governance.",[208,844,845,847],{},[15,846,792],{}," orchestrieren Deployments, automatisieren Tests und überwachen Umgebungen. Sie wenden auf Machine Learning Praktiken an, die Software-Entwicklung bereits transformiert haben: CI/CD, Monitoring, Access-Management.",[12,849,850,851,854],{},"Mit Plattformen wie ",[15,852,853],{},"GitLab"," haben diese Teams bereits bewährte Tools zur MLOps-Workflow-Integration ohne Tool- und Plattform-Multiplikation.",[150,856,858],{"id":857},"koordination-mit-business-teams","Koordination mit Business-Teams",[12,860,861],{},"Ein Modell wird nicht nur an Predictions-Präzision gemessen. Es muss auch sichtbaren Impact für die Organisation generieren. Hier kommen Business-Teams ins Spiel.",[12,863,864,865,868],{},"Sie definieren ",[15,866,867],{},"Erfolgs-Key-Indicators",", bringen Feld-Expertise ein und validieren Modell-Relevanz in konkreten Kontexten. In MLOps-Ansätzen wird diese Kollaboration permanent statt punktuell. Feedback speist Evaluation, beeinflusst Prioritäten und leitet Retraining-Entscheidungen.",[12,870,871],{},"Ohne diese Validierungs-Loop kann selbst ein technisch performantes Modell sein Ziel verfehlen und echten Wert nicht liefern.",[49,873,875],{"id":874},"häufige-fehler-vermeiden","Häufige Fehler vermeiden",[12,877,878],{},"Selbst mit strukturiertem MLOps-Ansatz treten manche Fallstricke regelmäßig auf. Sie verlangsamen Projekte und kompromittieren Production-Wert.",[150,880,882],{"id":881},"zu-viele-tools-ohne-klaren-rahmen","Zu viele Tools ohne klaren Rahmen",[12,884,885],{},"Spezialisierte Tools nutzen scheint eine gute Idee: eins für Ingestion, ein anderes für Training, ein drittes für Monitoring, etc. Aber während der Tech-Stack wächst, explodiert Komplexität. Kosten steigen und Sichtbarkeit sinkt.",[12,887,888,889,892,893,895],{},"MLOps basiert stattdessen auf ",[15,890,891],{},"unified Vision",". Pipelines müssen auf kohärenten Bausteinen basieren, idealerweise gruppiert in integrierten Plattformen wie ",[15,894,853],{},", die Fragmentierung begrenzen und End-to-End-Nachvollziehbarkeit garantieren.",[150,897,899],{"id":898},"fehlende-business-metriken","Fehlende Business-Metriken",[12,901,902,903,906],{},"Ein Modell kann exzellente technische Scores erreichen und dennoch für die Organisation nutzlos sein. Fehlende Business-Indikatoren führen zum Deployment scheinbar performanter Modelle, die aber ",[15,904,905],{},"von realen Anforderungen disconnected"," sind. Business-Metriken-Tracking (detektierte Betrugs-Rate, Kunden-Zufriedenheit, eingesparte Processing-Zeit) muss klassische Machine-Learning-Metriken ergänzen.",[150,908,910],{"id":909},"instabile-daten-und-technical-debt","Instabile Daten und Technical Debt",[12,912,913,914,917],{},"Ohne robuste Daten-Pipelines erben Modelle instabile oder nicht-repräsentative Sets. Kurzfristig schafft dies unvorhersagbare Ergebnisse. Langfristig ",[15,915,916],{},"generiert Bugfix-Multiplikation Technical Debt",", die jede Evolution erschwert. MLOps erfordert Data-Engineering-Praktiken und kontinuierliche Supervision zur Aufrechterhaltung zuverlässiger Daten-Flows und Vermeidung dieses Schneeballeffekts.",[49,919,921],{"id":920},"mlops-vs-devops-unterschiede","MLOps vs DevOps: Unterschiede",[12,923,924],{},"MLOps ist direkt von DevOps inspiriert. Beide Disziplinen teilen dieselbe Philosophie: Development und Operations annähern, Timelines reduzieren und Deployments durch Automatisierung zuverlässiger machen. Aber ihre Anwendungen divergieren, sobald es um Machine-Learning-Modelle geht.",[150,926,928],{"id":927},"gemeinsamkeiten","Gemeinsamkeiten",[12,930,931,932,935,936],{},"Beide Ansätze basieren auf demselben Toolset: ",[15,933,934],{},"CI/CD-Pipelines, Monitoring und Versions-Management",". In beiden Fällen bleibt das Ziel identisch: ",[15,937,938],{},"schnell zuverlässige Artefakte in Production liefern.",[150,940,942],{"id":941},"was-sie-unterscheidet","Was sie unterscheidet",[12,944,945,946,949,950,88],{},"Der fundamentale Unterschied kommt von der ",[15,947,948],{},"Artefakt-Natur",". In DevOps deployen wir statische Applikationen. In MLOps deployen wir ",[15,951,952],{},"Modelle aus sich bewegenden Daten",[12,954,955],{},"Diese Spezifität führt zu fünf Haupt-Konsequenzen:",[259,957,958,965,972,978,984],{},[208,959,960,961,964],{},"Notwendigkeit, ",[15,962,963],{},"Daten und Modelle zu versionieren",", nicht nur Code;",[208,966,967,968,971],{},"Integration von ",[15,969,970],{},"Business-Validationen"," zusätzlich zu technischen Tests;",[208,973,974,977],{},[15,975,976],{},"Kontinuierliche Performance-Überwachung",", da Modelle über Zeit degradieren;",[208,979,980,983],{},[15,981,982],{},"Experimentelle Natur",": Derselbe Code kann verschiedene Ergebnisse produzieren abhängig von Daten und Parametern – systematisches Tracking jedes Experiments erforderlich;",[208,985,986,989],{},[15,987,988],{},"Iterative Hyperparameter-Optimierung"," (Learning Rate, Architektur, etc.) muss exploriert, verglichen und versioniert werden zur Identifikation der besten Konfiguration.",[150,991,993],{"id":992},"mlops-position-zu-dataops-und-modelops","MLOps-Position zu DataOps und ModelOps",[12,995,996,997,1000,1001,1004],{},"MLOps existiert nicht isoliert. Es liegt an der Kreuzung zweier anderer Disziplinen: ",[15,998,999],{},"DataOps",", fokussiert auf Daten-Qualität und -Governance, und ",[15,1002,1003],{},"ModelOps",", fokussiert auf Modell-Management und -Deployment.",[12,1006,1007,1008],{},"Durch Kombination dieser beiden Dimensionen übernimmt MLOps ",[15,1009,1010],{},"den gesamten Zyklus: von Daten-Zuverlässigkeit bis Modell-Industrialisierung.",[49,1012,1014],{"id":1013},"aktuelle-trends","Aktuelle Trends",[12,1016,1017],{},"MLOps evolviert schnell, getrieben von KI-Industrialisierung und Entstehung neuer technischer und regulatorischer Constraints. Mehrere Trends strukturieren bereits die Praktiken der kommenden Jahre.",[150,1019,1021],{"id":1020},"serverless-mlops-und-distributed-mlops","Serverless MLOps und Distributed MLOps",[12,1023,1024,1025,1028,1029,1032],{},"Die wachsende ",[15,1026,1027],{},"Serverless","-Adoption vereinfacht ML-Pipeline-Execution: Ressourcen passen sich automatisch an Load an und reduzieren Kosten und Komplexität. Parallel gewinnt ",[15,1030,1031],{},"Distributed MLOps an der Edge"," an Bedeutung, besonders in IoT und Embedded Applications. Modelle laufen direkt näher an Daten mit weniger Latenz und mehr Reaktivität.",[150,1034,1036],{"id":1035},"neue-governance-und-regulations-anforderungen","Neue Governance- und Regulations-Anforderungen",[12,1038,1039,1040,1047],{},"Mit dem ",[15,1041,1042],{},[27,1043,1046],{"href":1044,"rel":1045},"https://www.europarl.europa.eu/topics/de/article/20230601STO93804/eu-gesetz-uber-kunstliche-intelligenz-erste-regelung-zur-ki",[],"europäischen AI Act",", der 2024 in Kraft trat, wird Compliance zum strategischen Thema. Organisationen müssen Nachvollziehbarkeit, Erklärbarkeit und Robustheit ihrer Modelle beweisen. MLOps wird essenzieller Hebel zur Integration dieser Verpflichtungen heute – statt Blockaden bei Audits oder Produkt-Launches zu erleiden.",[12,1049,1050,1053],{},[15,1051,1052],{},"Deutsche Unternehmen profitieren von MLOps-Praktiken besonders für KI-Verordnung-Compliance:"," Artikel 9 fordert Risiko-Management-Systeme mit dokumentierten Testverfahren. Artikel 17 verlangt umfassende technische Dokumentation inklusive Daten-Provenienz, Modell-Architektur und Validation-Ergebnissen. MLOps-Pipelines mit systematischem Versioning, automatisierten Tests und Audit-Logs erfüllen diese Anforderungen direkt und schaffen audit-fähige Nachweise.",[49,1055,1057],{"id":1056},"praktische-ressourcen-und-tools","Praktische Ressourcen und Tools",[12,1059,1060],{},"MLOps bleibt nicht bei Konzepten. Es nimmt Form an in Workflows, Metriken und Governance-Regeln, die Teams in Projekten implementieren können.",[150,1062,1064],{"id":1063},"checklist-für-mlops-pipeline-launch","Checklist für MLOps-Pipeline-Launch",[12,1066,1067],{},"MLOps-Pipeline-Setup improvisiert sich nicht. Diese Checklist hilft beim Start unter guten Bedingungen:",[259,1069,1070,1073,1076,1079,1082,1085],{},[208,1071,1072],{},"Business-Ziele und Key Performance Indicators (KPIs) definieren;",[208,1074,1075],{},"Daten-Pipelines mit automatisierten Validierungs-Regeln aufbereiten;",[208,1077,1078],{},"Code, Daten und Modelle versionieren;",[208,1080,1081],{},"Training, Tests und Deployment in CI/CD-Chain integrieren;",[208,1083,1084],{},"Kontinuierliches Performance- und Drift-Monitoring vorsehen;",[208,1086,1087],{},"Jede Phase für Governance und Compliance dokumentieren und tracken.",[150,1089,1091],{"id":1090},"production-metriken-beispiele","Production-Metriken-Beispiele",[12,1093,1094],{},"Ein Modell lässt sich nicht ohne Indikatoren steuern. Zu überwachende Metriken decken technische und Business-Aspekte ab:",[259,1096,1097,1103,1109],{},[208,1098,1099,1102],{},[15,1100,1101],{},"Technische Aspekte",": Präzision, Recall, F1-Score, Latenz, Fehler-Rate;",[208,1104,1105,1108],{},[15,1106,1107],{},"Business-Aspekte",": detektierte Betrugs-Rate, operative Kostenreduktion, Kunden-Zufriedenheit;",[208,1110,1111,1114],{},[15,1112,1113],{},"Operative Aspekte",": Ressourcen-Verbrauch, Kosten pro Prediction, Energie-Footprint.",[12,1116,1117],{},"Tracking dieser Metriken ermöglicht Drift-Antizipation, Modell-Adjustierung und Mehrwert-Nachweis.",[49,1119,1121],{"id":1120},"fazit-mlops-bedeutung-für-ki-industrialisierung","Fazit: MLOps-Bedeutung für KI-Industrialisierung",[12,1123,1124],{},"Zahlreiche Machine-Learning-Projekte scheitern nicht an Modellen selbst, sondern weil sie den Production-Schritt nicht schaffen. Zu oft bleiben sie auf Notebooks beschränkt, schwer zu maintainen und unfähig, sich an sich ändernde Daten anzupassen. MLOps wurde geschaffen, um diese Lücke zu schließen.",[12,1126,1127,1128,1131],{},"Durch Automatisierung kritischer Schritte, Garantie von Daten- und Modell-Nachvollziehbarkeit und Integration kontinuierlichen Trackings transformiert es isolierte Experimente in ",[15,1129,1130],{},"dauerhafte Assets",". Es geht nicht mehr nur darum, eine Idee zu testen, sondern ein System zu bauen, das über Zeit Wert schaffen kann.",[12,1133,1134,1135,1138],{},"MLOps-Adoption ist nicht nur technischer Ansatz – es ist ",[15,1136,1137],{},"strategischer Hebel",". Es beschleunigt den Übergang von Experimentierung zu Deployment, reduziert Iterations-Kosten und gibt Business die notwendige Confidence für KI-Nutzung in großem Maßstab.",[12,1140,1141,1142,1144],{},"Um weiterzugehen, benötigen Organisationen Tools, die diesen integrierten Ansatz fördern. Plattformen wie ",[15,1143,853],{},", bereits im Kern von DevOps-Praktiken, bieten eine solide Basis zur Pipeline-Orchestrierung, Versions-Management und Team-Annäherung. MLOps wird dann nicht nur Methode, sondern vertrauenswürdige Infrastruktur zur KI-Industrialisierung.",[49,1146,1148],{"id":1147},"gitlab-als-natürliche-mlops-basis","GitLab als natürliche MLOps-Basis",[12,1150,1151],{},"MLOps-Ansatz umzusetzen bedeutet nicht, Tools zu akkumulieren, sondern eine kohärente Chain zu schaffen, die Development, Daten und Production verbindet. GitLab bietet präzise diese Kontinuität: eine einheitliche Umgebung, in der Teams Code versionieren, CI/CD-Pipelines orchestrieren, Modelle monitoren und jede Phase des Software-Entwicklungs-Lifecycles dokumentieren können. Durch Integration von MLOps-Praktiken in eine DevOps-Teams bereits vertraute Plattform vermeiden Organisationen Komplexität fragmentierter Infrastruktur und beschleunigen Transformation ihrer Machine-Learning-Projekte in operative Lösungen.",[49,1153,1155],{"id":1154},"mlops-faq","MLOps FAQ",[150,1157,1159],{"id":1158},"was-ist-der-unterschied-zwischen-mlops-und-devops","Was ist der Unterschied zwischen MLOps und DevOps?",[12,1161,1162],{},"DevOps adressiert klassische Software-Entwicklung, wo das finale Artefakt eine statische Applikation ist. MLOps übernimmt diese Automatisierungs- und Kollaborations-Logik, adaptiert sie aber an Machine-Learning-Spezifika. Der Haupt-Unterschied: Ein Modell ist nicht nur Code, sondern auch Daten, die sich über Zeit ändern. MLOps fügt daher Dataset- und Modell-Versioning, Business-Validation und kontinuierliches Performance-Tracking hinzu.",[150,1164,1166],{"id":1165},"welche-tools-für-mlops-setup","Welche Tools für MLOps-Setup?",[12,1168,1169],{},"Ein vielfältiges Ökosystem existiert: CI/CD-Plattformen, Monitoring-Lösungen, Daten-Versioning-Tools oder Modell-Management-Tools. Die Herausforderung ist weniger, Bausteine zu akkumulieren, als ihre Integration zu garantieren. Plattformen wie GitLab, bereits für DevOps und DevSecOps adaptiert, bieten eine unified Basis, die Automatisierung, Kollaboration und Nachvollziehbarkeit in MLOps-Rahmen erleichtert.",[150,1171,1173],{"id":1172},"wie-managt-man-modell-drift-in-production","Wie managt man Modell-Drift in Production?",[12,1175,1176],{},"Drift tritt auf, wenn Production-Daten nicht mehr Training-Daten ähneln und Performance sinkt. MLOps sieht kontinuierliches Metriken-Monitoring vor, Alerts bei Abweichungen und manchmal automatische Retraining-Mechanismen. Der Schlüssel: kritische Schwellen und zu überwachende Business-Metriken von Anfang an definieren.",[150,1178,1180],{"id":1179},"wie-misst-man-mlops-ansatz-erfolg","Wie misst man MLOps-Ansatz-Erfolg?",[12,1182,1183],{},"Erfolg beschränkt sich nicht auf technische Modell-Performance. Er misst sich auch an:",[259,1185,1186,1192,1198],{},[208,1187,1188,1191],{},[15,1189,1190],{},"Zeit-Reduktion"," vom Experiment zur Production;",[208,1193,1194,1197],{},[15,1195,1196],{},"Stabilität und Nachvollziehbarkeit"," deployter Modelle;",[208,1199,1200,1203],{},[15,1201,1202],{},"Realem Business-Impact"," via Indikatoren wie Produktivitäts-Gewinn, Kosten-Senkung oder Customer-Experience-Verbesserung.",[12,1205,1206],{},"Ein erfolgreicher MLOps-Ansatz kombiniert daher operative Effizienz und messbare Wert-Schöpfung.",[37,1208,1209],{},[12,1210,1211],{},[15,1212,1213],{},[27,1214,47],{"href":45,"rel":1215},[],[1217,1218,1219],"style",{},"html pre.shiki code .shJU0, html code.shiki .shJU0{--shiki-default:#22863A}html pre.shiki code .sgsFI, html code.shiki .sgsFI{--shiki-default:#24292E}html pre.shiki code .sYBdl, html code.shiki .sYBdl{--shiki-default:#032F62}html .default .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}",{"title":279,"searchDepth":294,"depth":294,"links":1221},[1222,1223,1224,1231,1239,1245,1250,1255,1260,1264,1268,1269,1270],{"id":51,"depth":294,"text":52},{"id":98,"depth":294,"text":99},{"id":140,"depth":294,"text":141,"children":1225},[1226,1227,1228,1229,1230],{"id":152,"depth":309,"text":153},{"id":159,"depth":309,"text":160},{"id":166,"depth":309,"text":167},{"id":178,"depth":309,"text":179},{"id":185,"depth":309,"text":186},{"id":192,"depth":294,"text":193,"children":1232},[1233,1234,1235,1236,1237,1238],{"id":199,"depth":309,"text":200},{"id":620,"depth":309,"text":621},{"id":655,"depth":309,"text":656},{"id":679,"depth":309,"text":680},{"id":693,"depth":309,"text":694},{"id":710,"depth":309,"text":711},{"id":723,"depth":294,"text":724,"children":1240},[1241,1242,1243,1244],{"id":730,"depth":309,"text":731},{"id":743,"depth":309,"text":744},{"id":774,"depth":309,"text":775},{"id":796,"depth":309,"text":797},{"id":810,"depth":294,"text":811,"children":1246},[1247,1248,1249],{"id":817,"depth":309,"text":74},{"id":830,"depth":309,"text":831},{"id":857,"depth":309,"text":858},{"id":874,"depth":294,"text":875,"children":1251},[1252,1253,1254],{"id":881,"depth":309,"text":882},{"id":898,"depth":309,"text":899},{"id":909,"depth":309,"text":910},{"id":920,"depth":294,"text":921,"children":1256},[1257,1258,1259],{"id":927,"depth":309,"text":928},{"id":941,"depth":309,"text":942},{"id":992,"depth":309,"text":993},{"id":1013,"depth":294,"text":1014,"children":1261},[1262,1263],{"id":1020,"depth":309,"text":1021},{"id":1035,"depth":309,"text":1036},{"id":1056,"depth":294,"text":1057,"children":1265},[1266,1267],{"id":1063,"depth":309,"text":1064},{"id":1090,"depth":309,"text":1091},{"id":1120,"depth":294,"text":1121},{"id":1147,"depth":294,"text":1148},{"id":1154,"depth":294,"text":1155,"children":1271},[1272,1273,1274,1275],{"id":1158,"depth":309,"text":1159},{"id":1165,"depth":309,"text":1166},{"id":1172,"depth":309,"text":1173},{"id":1179,"depth":309,"text":1180},"ai","2025-11-19","MLOps verbindet Data Science und Engineering, automatisiert ML-Workflows und garantiert Reproduzierbarkeit, Governance und KI-Verordnung-Compliance.","md",null,false,"https://res.cloudinary.com/about-gitlab-com/image/upload/v1762517473/wo6vgpvabalmnzqgzulh.jpg",{},"/de-de/blog/what-is-mlops",{"config":1286,"title":1287,"ogTitle":1287,"description":1278,"ogDescription":1278,"ogImage":1282},{"noIndex":1281},"MLOps für systematisches ML-Lifecycle-Management","what-is-mlops","de-de/blog/what-is-mlops",[1291],"AI","BlogPost","F5UGeyXYVLFlWDRZ8oJ69a_vcQ5jAmD4w10Sxs-rTqE",{"logo":1295,"freeTrial":1300,"sales":1305,"login":1310,"items":1315,"search":1644,"minimal":1678,"duo":1696,"switchNav":1705,"pricingDeployment":1716},{"config":1296},{"href":1297,"dataGaName":1298,"dataGaLocation":1299},"/de-de/","gitlab logo","header",{"text":1301,"config":1302},"Kostenlose Testversion anfordern",{"href":1303,"dataGaName":1304,"dataGaLocation":1299},"https://gitlab.com/-/trial_registrations/new?glm_source=about.gitlab.com/de-de&glm_content=default-saas-trial/","free trial",{"text":1306,"config":1307},"Demo anfordern",{"href":1308,"dataGaName":1309,"dataGaLocation":1299},"/de-de/sales/?contact-topic=request-demo","sales",{"text":1311,"config":1312},"Anmelden",{"href":1313,"dataGaName":1314,"dataGaLocation":1299},"https://gitlab.com/users/sign_in/","sign in",[1316,1345,1447,1452,1566,1622],{"text":1317,"config":1318,"menu":1320},"Plattform",{"dataNavLevelOne":1319},"platform",{"type":1321,"columns":1322},"cards",[1323,1329,1337],{"title":1317,"description":1324,"link":1325},"Die intelligente Orchestrierungsplattform für DevSecOps",{"text":1326,"config":1327},"Die Plattform erkunden",{"href":1328,"dataGaName":1319,"dataGaLocation":1299},"/de-de/platform/",{"title":1330,"description":1331,"link":1332},"GitLab Duo Agent Platform","Agentische KI für den gesamten Software-Lebenszyklus",{"text":1333,"config":1334},"Lerne GitLab Duo kennen",{"href":1335,"dataGaName":1336,"dataGaLocation":1299},"/de-de/gitlab-duo-agent-platform/","gitlab duo agent platform",{"title":1338,"description":1339,"link":1340},"Warum GitLab?","Erfahre, warum sich Unternehmen für GitLab entscheiden",{"text":1341,"config":1342},"Mehr erfahren",{"href":1343,"dataGaName":1344,"dataGaLocation":1299},"/de-de/why-gitlab/","why gitlab",{"text":1346,"left":290,"config":1347,"menu":1349},"Produkt",{"dataNavLevelOne":1348},"solutions",{"type":1350,"link":1351,"columns":1355,"feature":1426},"lists",{"text":1352,"config":1353},"Alle Lösungen anzeigen",{"href":1354,"dataGaName":1348,"dataGaLocation":1299},"/de-de/solutions/",[1356,1381,1404],{"title":1357,"description":1358,"link":1359,"items":1364},"Automatisierung","CI/CD und Automatisierung zur Beschleunigung der Bereitstellung",{"config":1360},{"icon":1361,"href":1362,"dataGaName":1363,"dataGaLocation":1299},"AutomatedCodeAlt","/de-de/solutions/delivery-automation/","automated software delivery",[1365,1369,1372,1377],{"text":1366,"config":1367},"CI/CD",{"href":1368,"dataGaLocation":1299,"dataGaName":1366},"/de-de/solutions/continuous-integration/",{"text":1330,"config":1370},{"href":1335,"dataGaLocation":1299,"dataGaName":1371},"gitlab duo agent platform - product menu",{"text":1373,"config":1374},"Quellcodeverwaltung",{"href":1375,"dataGaLocation":1299,"dataGaName":1376},"/de-de/solutions/source-code-management/","Source Code Management",{"text":1378,"config":1379},"Automatische Softwarebereitstellung",{"href":1362,"dataGaLocation":1299,"dataGaName":1380},"Automated software delivery",{"title":1382,"description":1383,"link":1384,"items":1389},"Sicherheit","Entwickle Code schneller ohne Abstriche bei der Sicherheit",{"config":1385},{"href":1386,"dataGaName":1387,"dataGaLocation":1299,"icon":1388},"/de-de/solutions/application-security-testing/","security and compliance","ShieldCheckLight",[1390,1394,1399],{"text":1391,"config":1392},"Anwendungssicherheitstests",{"href":1386,"dataGaName":1393,"dataGaLocation":1299},"Application security testing",{"text":1395,"config":1396},"Schutz der Software-Lieferkette",{"href":1397,"dataGaLocation":1299,"dataGaName":1398},"/de-de/solutions/supply-chain/","Software supply chain security",{"text":1400,"config":1401},"Software-Compliance",{"href":1402,"dataGaName":1403,"dataGaLocation":1299},"/de-de/solutions/software-compliance/","software compliance",{"title":1405,"link":1406,"items":1411},"Messung",{"config":1407},{"icon":1408,"href":1409,"dataGaName":1410,"dataGaLocation":1299},"DigitalTransformation","/de-de/solutions/visibility-measurement/","visibility and measurement",[1412,1416,1421],{"text":1413,"config":1414},"Sichtbarkeit und Messung",{"href":1409,"dataGaLocation":1299,"dataGaName":1415},"Visibility and Measurement",{"text":1417,"config":1418},"Wertstrommanagement",{"href":1419,"dataGaLocation":1299,"dataGaName":1420},"/de-de/solutions/value-stream-management/","Value Stream Management",{"text":1422,"config":1423},"Analysen und Einblicke",{"href":1424,"dataGaLocation":1299,"dataGaName":1425},"/de-de/solutions/analytics-and-insights/","Analytics and insights",{"title":1427,"type":1350,"items":1428},"GitLab für",[1429,1435,1441],{"text":1430,"config":1431},"Enterprise",{"icon":1432,"href":1433,"dataGaLocation":1299,"dataGaName":1434},"Building","/de-de/enterprise/","enterprise",{"text":1436,"config":1437},"Kleinunternehmen",{"icon":1438,"href":1439,"dataGaLocation":1299,"dataGaName":1440},"Work","/de-de/small-business/","small business",{"text":1442,"config":1443},"Öffentlicher Sektor",{"icon":1444,"href":1445,"dataGaLocation":1299,"dataGaName":1446},"Organization","/de-de/solutions/public-sector/","public sector",{"text":1448,"config":1449},"Preise",{"href":1450,"dataGaName":1451,"dataGaLocation":1299,"dataNavLevelOne":1451},"/de-de/pricing/","pricing",{"text":1453,"config":1454,"menu":1456},"Ressourcen",{"dataNavLevelOne":1455},"resources",{"type":1350,"link":1457,"columns":1461,"feature":1555},{"text":1458,"config":1459},"Alle Ressourcen anzeigen",{"href":1460,"dataGaName":1455,"dataGaLocation":1299},"/de-de/resources/",[1462,1495,1522],{"title":1463,"items":1464},"Erste Schritte",[1465,1470,1475,1480,1485,1490],{"text":1466,"config":1467},"Installieren",{"href":1468,"dataGaName":1469,"dataGaLocation":1299},"/de-de/install/","install",{"text":1471,"config":1472},"Kurzanleitungen",{"href":1473,"dataGaName":1474,"dataGaLocation":1299},"/de-de/get-started/","quick setup checklists",{"text":1476,"config":1477},"Lernen",{"href":1478,"dataGaLocation":1299,"dataGaName":1479},"https://university.gitlab.com/","learn",{"text":1481,"config":1482},"Produktdokumentation",{"href":1483,"dataGaName":1484,"dataGaLocation":1299},"https://docs.gitlab.com/","product documentation",{"text":1486,"config":1487},"Best-Practice-Videos",{"href":1488,"dataGaName":1489,"dataGaLocation":1299},"/de-de/getting-started-videos/","best practice videos",{"text":1491,"config":1492},"Integrationen",{"href":1493,"dataGaName":1494,"dataGaLocation":1299},"/de-de/integrations/","integrations",{"title":1496,"items":1497},"Entdecken",[1498,1503,1508,1513,1517],{"text":1499,"config":1500},"Kundenerfolge",{"href":1501,"dataGaName":1502,"dataGaLocation":1299},"/de-de/customers/","customer success stories",{"text":1504,"config":1505},"Blog",{"href":1506,"dataGaName":1507,"dataGaLocation":1299},"/de-de/blog/","blog",{"text":1509,"config":1510},"Demo-Hub",{"href":1511,"dataGaName":1512,"dataGaLocation":1299},"/de-de/demo-hub/","demo hub",{"text":1514,"config":1515},"The Source",{"href":1516,"dataGaName":1507,"dataGaLocation":1299},"/de-de/the-source/",{"text":1518,"config":1519},"Remote",{"href":1520,"dataGaName":1521,"dataGaLocation":1299},"https://handbook.gitlab.com/handbook/company/culture/all-remote/","remote",{"title":1523,"items":1524},"Vernetzen",[1525,1530,1535,1540,1545,1550],{"text":1526,"config":1527},"GitLab-Services",{"href":1528,"dataGaName":1529,"dataGaLocation":1299},"/de-de/services/","services",{"text":1531,"config":1532},"Beitragen",{"href":1533,"dataGaName":1534,"dataGaLocation":1299},"https://contributors.gitlab.com","contribute",{"text":1536,"config":1537},"Community",{"href":1538,"dataGaName":1539,"dataGaLocation":1299},"/community/","community",{"text":1541,"config":1542},"Forum",{"href":1543,"dataGaName":1544,"dataGaLocation":1299},"https://forum.gitlab.com/","forum",{"text":1546,"config":1547},"Veranstaltungen",{"href":1548,"dataGaName":1549,"dataGaLocation":1299},"/events/","events",{"text":1551,"config":1552},"Partner",{"href":1553,"dataGaName":1554,"dataGaLocation":1299},"/de-de/partners/","partners",{"config":1556,"title":1559,"text":1560,"link":1561},{"background":1557,"textColor":1558},"url('https://res.cloudinary.com/about-gitlab-com/image/upload/v1777322348/qpq8yrgn8knii57omj0c.png')","#000","Neues bei GitLab","Über die neuesten Funktionen und Verbesserungen auf dem Laufenden bleiben.",{"text":1562,"config":1563},"Aktuelle Nachrichten",{"href":1564,"dataGaName":1565,"dataGaLocation":1299},"/de-de/whats-new/","whats new",{"text":1567,"config":1568,"menu":1570},"Unternehmen",{"dataNavLevelOne":1569},"company",{"type":1350,"columns":1571},[1572],{"items":1573},[1574,1579,1585,1587,1592,1597,1602,1607,1612,1617],{"text":1575,"config":1576},"Über",{"href":1577,"dataGaName":1578,"dataGaLocation":1299},"/de-de/company/","about",{"text":1580,"config":1581,"footerGa":1584},"Karriere",{"href":1582,"dataGaName":1583,"dataGaLocation":1299},"/jobs/","jobs",{"dataGaName":1583},{"text":1546,"config":1586},{"href":1548,"dataGaName":1549,"dataGaLocation":1299},{"text":1588,"config":1589},"Geschäftsführung",{"href":1590,"dataGaName":1591,"dataGaLocation":1299},"/company/team/e-group/","leadership",{"text":1593,"config":1594},"Handbuch",{"href":1595,"dataGaName":1596,"dataGaLocation":1299},"https://handbook.gitlab.com/","handbook",{"text":1598,"config":1599},"Investor Relations",{"href":1600,"dataGaName":1601,"dataGaLocation":1299},"https://ir.gitlab.com/overview/default.aspx","investor relations",{"text":1603,"config":1604},"Trust Center",{"href":1605,"dataGaName":1606,"dataGaLocation":1299},"/de-de/security/","trust center",{"text":1608,"config":1609},"AI Transparency Center",{"href":1610,"dataGaName":1611,"dataGaLocation":1299},"/de-de/ai-transparency-center/","ai transparency center",{"text":1613,"config":1614},"Newsletter",{"href":1615,"dataGaName":1616,"dataGaLocation":1299},"/company/contact/#contact-forms","newsletter",{"text":1618,"config":1619},"Presse",{"href":1620,"dataGaName":1621,"dataGaLocation":1299},"/press/","press",{"text":1623,"config":1624,"menu":1625},"Kontakt",{"dataNavLevelOne":1569},{"type":1350,"columns":1626},[1627],{"items":1628},[1629,1634,1639],{"text":1630,"config":1631},"Vertrieb kontaktieren",{"href":1632,"dataGaName":1633,"dataGaLocation":1299},"/de-de/sales/","talk to sales",{"text":1635,"config":1636},"Support-Portal",{"href":1637,"dataGaName":1638,"dataGaLocation":1299},"https://support.gitlab.com/hc/en-us","support portal",{"text":1640,"config":1641},"Kundenportal",{"href":1642,"dataGaName":1643,"dataGaLocation":1299},"https://customers.gitlab.com/customers/sign_in/","customer portal",{"close":1645,"login":1646,"suggestions":1653},"Schließen",{"text":1647,"link":1648},"Um Repositorys und Projekte zu durchsuchen, melde dich an bei",{"text":1649,"config":1650},"gitlab.com",{"href":1313,"dataGaName":1651,"dataGaLocation":1652},"search login","search",{"text":1654,"default":1655},"Vorschläge",[1656,1658,1663,1665,1670,1675],{"text":1330,"config":1657},{"href":1335,"dataGaName":1330,"dataGaLocation":1652},{"text":1659,"config":1660},"Codevorschläge (KI)",{"href":1661,"dataGaName":1662,"dataGaLocation":1652},"/de-de/solutions/code-suggestions/","Code Suggestions (AI)",{"text":1366,"config":1664},{"href":1368,"dataGaName":1366,"dataGaLocation":1652},{"text":1666,"config":1667},"GitLab auf AWS",{"href":1668,"dataGaName":1669,"dataGaLocation":1652},"/de-de/partners/technology-partners/aws/","GitLab on AWS",{"text":1671,"config":1672},"GitLab auf Google Cloud",{"href":1673,"dataGaName":1674,"dataGaLocation":1652},"/de-de/partners/technology-partners/google-cloud-platform/","GitLab on Google Cloud",{"text":1338,"config":1676},{"href":1343,"dataGaName":1677,"dataGaLocation":1652},"Why GitLab?",{"freeTrial":1679,"mobileIcon":1684,"desktopIcon":1689,"secondaryButton":1692},{"text":1680,"config":1681},"Kostenlos testen",{"href":1682,"dataGaName":1304,"dataGaLocation":1683},"https://gitlab.com/-/trials/new/","nav",{"altText":1685,"config":1686},"GitLab-Symbol",{"src":1687,"dataGaName":1688,"dataGaLocation":1683},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1758203874/jypbw1jx72aexsoohd7x.svg","gitlab icon",{"altText":1685,"config":1690},{"src":1691,"dataGaName":1688,"dataGaLocation":1683},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1758203875/gs4c8p8opsgvflgkswz9.svg",{"text":1463,"config":1693},{"href":1694,"dataGaName":1695,"dataGaLocation":1683},"https://gitlab.com/-/trial_registrations/new?glm_source=about.gitlab.com/de-de/get-started/","get started",{"freeTrial":1697,"mobileIcon":1701,"desktopIcon":1703},{"text":1698,"config":1699},"Mehr über GitLab Duo erfahren",{"href":1335,"dataGaName":1700,"dataGaLocation":1683},"gitlab duo",{"altText":1685,"config":1702},{"src":1687,"dataGaName":1688,"dataGaLocation":1683},{"altText":1685,"config":1704},{"src":1691,"dataGaName":1688,"dataGaLocation":1683},{"button":1706,"mobileIcon":1711,"desktopIcon":1713},{"text":1707,"config":1708},"/Option",{"href":1709,"dataGaName":1710,"dataGaLocation":1683},"#contact","switch",{"altText":1685,"config":1712},{"src":1687,"dataGaName":1688,"dataGaLocation":1683},{"altText":1685,"config":1714},{"src":1715,"dataGaName":1688,"dataGaLocation":1683},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1773335277/ohhpiuoxoldryzrnhfrh.png",{"freeTrial":1717,"mobileIcon":1722,"desktopIcon":1724},{"text":1718,"config":1719},"Zurück zur Preisübersicht",{"href":1450,"dataGaName":1720,"dataGaLocation":1683,"icon":1721},"back to pricing","GoBack",{"altText":1685,"config":1723},{"src":1687,"dataGaName":1688,"dataGaLocation":1683},{"altText":1685,"config":1725},{"src":1691,"dataGaName":1688,"dataGaLocation":1683},{"title":1727,"button":1728,"config":1732},"GitLab Orbit ist da: die Kontextebene für KI-Agenten",{"text":1341,"config":1729},{"href":1730,"dataGaName":1731,"dataGaLocation":1299},"/de-de/gitlab-orbit/","orbit",{"layout":1733,"disabled":1281},"release",{"data":1735},{"text":1736,"source":1737,"edit":1743,"contribute":1748,"config":1753,"items":1758,"minimal":1963},"Git ist eine Marke von Software Freedom Conservancy und unsere Verwendung von „GitLab“ erfolgt unter Lizenz.",{"text":1738,"config":1739},"Quelltext der Seite anzeigen",{"href":1740,"dataGaName":1741,"dataGaLocation":1742},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/","page source","footer",{"text":1744,"config":1745},"Diese Seite bearbeiten",{"href":1746,"dataGaName":1747,"dataGaLocation":1742},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/-/blob/main/content/","web ide",{"text":1749,"config":1750},"Beteilige dich",{"href":1751,"dataGaName":1752,"dataGaLocation":1742},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/-/blob/main/CONTRIBUTING.md/","please contribute",{"twitter":1754,"facebook":1755,"youtube":1756,"linkedin":1757},"https://twitter.com/gitlab","https://www.facebook.com/gitlab","https://www.youtube.com/channel/UCnMGQ8QHMAnVIsI3xJrihhg","https://www.linkedin.com/company/gitlab-com",[1759,1804,1856,1898,1930],{"title":1448,"links":1760,"subMenu":1775},[1761,1765,1770],{"text":1762,"config":1763},"Tarife anzeigen",{"href":1450,"dataGaName":1764,"dataGaLocation":1742},"view plans",{"text":1766,"config":1767},"Vorteile von Premium",{"href":1768,"dataGaName":1769,"dataGaLocation":1742},"/de-de/pricing/premium/","why premium",{"text":1771,"config":1772},"Vorteile von Ultimate",{"href":1773,"dataGaName":1774,"dataGaLocation":1742},"/de-de/pricing/ultimate/","why ultimate",[1776],{"title":1623,"links":1777},[1778,1780,1782,1784,1789,1794,1799],{"text":1630,"config":1779},{"href":1632,"dataGaName":1309,"dataGaLocation":1742},{"text":1635,"config":1781},{"href":1637,"dataGaName":1638,"dataGaLocation":1742},{"text":1640,"config":1783},{"href":1642,"dataGaName":1643,"dataGaLocation":1742},{"text":1785,"config":1786},"Status",{"href":1787,"dataGaName":1788,"dataGaLocation":1742},"https://status.gitlab.com/","status",{"text":1790,"config":1791},"Nutzungsbedingungen",{"href":1792,"dataGaName":1793,"dataGaLocation":1742},"/terms/","terms of use",{"text":1795,"config":1796},"Datenschutzerklärung",{"href":1797,"dataGaName":1798,"dataGaLocation":1742},"/de-de/privacy/","privacy statement",{"text":1800,"config":1801},"Cookie-Einstellungen",{"dataGaName":1802,"dataGaLocation":1742,"id":1803,"isOneTrustButton":290},"cookie preferences","ot-sdk-btn",{"title":1346,"links":1805,"subMenu":1814},[1806,1810],{"text":1807,"config":1808},"DevSecOps-Plattform",{"href":1328,"dataGaName":1809,"dataGaLocation":1742},"devsecops platform",{"text":1811,"config":1812},"KI-unterstützte Entwicklung",{"href":1335,"dataGaName":1813,"dataGaLocation":1742},"ai-assisted development",[1815],{"title":1816,"links":1817},"Themen",[1818,1822,1827,1831,1836,1841,1846,1851],{"text":1366,"config":1819},{"href":1820,"dataGaName":1821,"dataGaLocation":1742},"/de-de/topics/ci-cd/","cicd",{"text":1823,"config":1824},"GitOps",{"href":1825,"dataGaName":1826,"dataGaLocation":1742},"/de-de/topics/gitops/","gitops",{"text":31,"config":1828},{"href":1829,"dataGaName":1830,"dataGaLocation":1742},"/de-de/topics/devops/","devops",{"text":1832,"config":1833},"Versionskontrolle",{"href":1834,"dataGaName":1835,"dataGaLocation":1742},"/de-de/topics/version-control/","version control",{"text":1837,"config":1838},"DevSecOps",{"href":1839,"dataGaName":1840,"dataGaLocation":1742},"/de-de/topics/devsecops/","devsecops",{"text":1842,"config":1843},"Cloud-nativ",{"href":1844,"dataGaName":1845,"dataGaLocation":1742},"/de-de/topics/cloud-native/","cloud native",{"text":1847,"config":1848},"KI für das Programmieren",{"href":1849,"dataGaName":1850,"dataGaLocation":1742},"/de-de/topics/devops/ai-for-coding/","ai for coding",{"text":1852,"config":1853},"Agentische KI",{"href":1854,"dataGaName":1855,"dataGaLocation":1742},"/de-de/topics/agentic-ai/","agentic ai",{"title":1857,"links":1858},"Lösungen",[1859,1862,1864,1869,1873,1876,1879,1882,1884,1886,1888,1893],{"text":1391,"config":1860},{"href":1386,"dataGaName":1861,"dataGaLocation":1742},"Application Security Testing",{"text":1378,"config":1863},{"href":1362,"dataGaName":1363,"dataGaLocation":1742},{"text":1865,"config":1866},"Agile Entwicklung",{"href":1867,"dataGaName":1868,"dataGaLocation":1742},"/de-de/solutions/agile-delivery/","agile delivery",{"text":1870,"config":1871},"SCM",{"href":1375,"dataGaName":1872,"dataGaLocation":1742},"source code management",{"text":1366,"config":1874},{"href":1368,"dataGaName":1875,"dataGaLocation":1742},"continuous integration & delivery",{"text":1417,"config":1877},{"href":1419,"dataGaName":1878,"dataGaLocation":1742},"value stream management",{"text":1823,"config":1880},{"href":1881,"dataGaName":1826,"dataGaLocation":1742},"/de-de/solutions/gitops/",{"text":1430,"config":1883},{"href":1433,"dataGaName":1434,"dataGaLocation":1742},{"text":1436,"config":1885},{"href":1439,"dataGaName":1440,"dataGaLocation":1742},{"text":1442,"config":1887},{"href":1445,"dataGaName":1446,"dataGaLocation":1742},{"text":1889,"config":1890},"Bildungswesen",{"href":1891,"dataGaName":1892,"dataGaLocation":1742},"/de-de/solutions/education/","education",{"text":1894,"config":1895},"Finanzdienstleistungen",{"href":1896,"dataGaName":1897,"dataGaLocation":1742},"/de-de/solutions/finance/","financial services",{"title":1453,"links":1899},[1900,1902,1904,1906,1909,1911,1914,1916,1918,1920,1922,1924,1926,1928],{"text":1466,"config":1901},{"href":1468,"dataGaName":1469,"dataGaLocation":1742},{"text":1471,"config":1903},{"href":1473,"dataGaName":1474,"dataGaLocation":1742},{"text":1476,"config":1905},{"href":1478,"dataGaName":1479,"dataGaLocation":1742},{"text":1481,"config":1907},{"href":1483,"dataGaName":1908,"dataGaLocation":1742},"docs",{"text":1504,"config":1910},{"href":1506,"dataGaName":1507,"dataGaLocation":1742},{"text":1912,"config":1913},"Neuerungen",{"href":1564,"dataGaName":1565,"dataGaLocation":1742},{"text":1499,"config":1915},{"href":1501,"dataGaName":1502,"dataGaLocation":1742},{"text":1518,"config":1917},{"href":1520,"dataGaName":1521,"dataGaLocation":1742},{"text":1526,"config":1919},{"href":1528,"dataGaName":1529,"dataGaLocation":1742},{"text":1531,"config":1921},{"href":1533,"dataGaName":1534,"dataGaLocation":1742},{"text":1536,"config":1923},{"href":1538,"dataGaName":1539,"dataGaLocation":1742},{"text":1541,"config":1925},{"href":1543,"dataGaName":1544,"dataGaLocation":1742},{"text":1546,"config":1927},{"href":1548,"dataGaName":1549,"dataGaLocation":1742},{"text":1551,"config":1929},{"href":1553,"dataGaName":1554,"dataGaLocation":1742},{"title":1567,"links":1931},[1932,1934,1936,1938,1940,1942,1947,1952,1954,1956,1958],{"text":1575,"config":1933},{"href":1577,"dataGaName":1569,"dataGaLocation":1742},{"text":1580,"config":1935},{"href":1582,"dataGaName":1583,"dataGaLocation":1742},{"text":1588,"config":1937},{"href":1590,"dataGaName":1591,"dataGaLocation":1742},{"text":1593,"config":1939},{"href":1595,"dataGaName":1596,"dataGaLocation":1742},{"text":1598,"config":1941},{"href":1600,"dataGaName":1601,"dataGaLocation":1742},{"text":1943,"config":1944},"Nachhaltigkeit",{"href":1945,"dataGaName":1946,"dataGaLocation":1742},"/sustainability/","Sustainability",{"text":1948,"config":1949},"Vielfalt, Inklusion und Zugehörigkeit",{"href":1950,"dataGaName":1951,"dataGaLocation":1742},"/de-de/diversity-inclusion-belonging/","Diversity, inclusion and belonging",{"text":1603,"config":1953},{"href":1605,"dataGaName":1606,"dataGaLocation":1742},{"text":1613,"config":1955},{"href":1615,"dataGaName":1616,"dataGaLocation":1742},{"text":1618,"config":1957},{"href":1620,"dataGaName":1621,"dataGaLocation":1742},{"text":1959,"config":1960},"Transparenzerklärung zu moderner Sklaverei",{"href":1961,"dataGaName":1962,"dataGaLocation":1742},"https://handbook.gitlab.com/handbook/legal/modern-slavery-act-transparency-statement/","modern slavery transparency statement",{"items":1964},[1965,1968,1971],{"text":1966,"config":1967},"Terms",{"href":1792,"dataGaName":1793,"dataGaLocation":1742},{"text":1969,"config":1970},"Cookies",{"dataGaName":1802,"dataGaLocation":1742,"id":1803,"isOneTrustButton":290},{"text":1972,"config":1973},"Datenschutz",{"href":1797,"dataGaName":1798,"dataGaLocation":1742},[1975],{"id":1976,"title":1977,"body":1280,"config":1978,"content":1980,"description":1280,"extension":1984,"meta":1985,"navigation":290,"path":1986,"seo":1987,"stem":1988,"__hash__":1989},"blogAuthors/en-us/blog/authors/gitlab-germany-team.yml","Gitlab Germany Team",{"template":1979},"BlogAuthor",{"name":7,"config":1981},{"headshot":1982,"ctfId":1983},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1749659488/Blog/Author%20Headshots/gitlab-logo-extra-whitespace.png","6tNquF8jQeRRRi8k3ZXpvS","yml",{},"/en-us/blog/authors/gitlab-germany-team",{},"en-us/blog/authors/gitlab-germany-team","vGs9BT_ji6dORS29vl80DKX6mSputlQV2W7-4vW2hL8",[1991,1999,2007],{"title":1992,"description":1993,"heroImage":1994,"category":1276,"date":1995,"authors":1996,"slug":1998,"externalUrl":1280},"Wie ich einen Demo-Generator mit Duo Agent Platform baute","So sahen Demos nicht immer aus. Ein Rückblick auf ihre Entwicklung, plus ein Tutorial zum Bau einer eigenen Demo und eines eigenen Agenten.","https://res.cloudinary.com/about-gitlab-com/image/upload/v1765809212/noh0mdfn9o94ry9ykura.png","2026-08-13",[1997],"Itzik Gan Baruch","agentic-click-through-demo",{"title":2000,"description":2001,"heroImage":2002,"category":1276,"date":2003,"authors":2004,"slug":2006,"externalUrl":1280},"Governance für agentische KI, MCPs und KI-Code-Assistenten","KI-Agenten schreiben, pushen und deployen, ohne dass jeder Schritt geprüft wird. Ein praktisches Framework für Zugriff, Berechtigungen und Audit-Trails.","https://res.cloudinary.com/about-gitlab-com/image/upload/v1785337625/ifzlc2hyzaxhzmjgyymh.png","2026-07-31",[2005],"Julie Griffin","govern-agentic-ai-mcps-code-assistants",{"title":2008,"description":2009,"heroImage":2010,"category":1276,"date":2011,"authors":2012,"slug":2014,"externalUrl":1280},"Claude Opus 5 auf GitLab: Reasoning für die anspruchsvollsten Aufgaben","Anthropics Claude Opus 5 ist jetzt auf der GitLab Duo Agent Platform verfügbar und bringt tieferes Reasoning für die anspruchsvollsten Aufgaben.","https://res.cloudinary.com/about-gitlab-com/image/upload/v1750099203/Blog/Hero%20Images/Blog/Hero%20Images/blog-image-template-1800x945%20%2820%29_2bJGC5ZP3WheoqzlLT05C5_1750099203484.png","2026-07-27",[2013],"Brittany Lutz","claude-opus-5-on-gitlab-duo-agent-platform",{"promotions":2016},[2017,2030,2042,2054],{"id":2018,"categories":2019,"header":2020,"text":2021,"button":2022,"image":2027},"ai-modernization",[1276],"Hält KI, was uns versprochen wurde?","Das Quiz dauert maximal 5 Minuten.",{"text":2023,"config":2024},"Ermittle deinen KI-Reifegrad",{"href":2025,"dataGaName":2026,"dataGaLocation":1507},"/de-de/assessments/ai-modernization-assessment/","modernization assessment",{"config":2028},{"src":2029},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1772138786/qix0m7kwnd8x2fh1zq49.png",{"id":2031,"categories":2032,"header":2034,"text":2021,"button":2035,"image":2039},"devops-modernization",[2033,1840],"product","Verwaltest du Tool-Chaos oder stellst du Innovationen bereit?",{"text":2036,"config":2037},"Ermittle deinen DevOps-Reifegrad",{"href":2038,"dataGaName":2026,"dataGaLocation":1507},"/de-de/assessments/devops-modernization-assessment/",{"config":2040},{"src":2041},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1772138785/eg818fmakweyuznttgid.png",{"id":2043,"categories":2044,"header":2046,"text":2021,"button":2047,"image":2051},"security-modernization",[2045],"security","Tauschst du Schnelligkeit gegen Sicherheit ein?",{"text":2048,"config":2049},"Ermittle deinen Sicherheitsreifegrad",{"href":2050,"dataGaName":2026,"dataGaLocation":1507},"/de-de/assessments/security-modernization-assessment/",{"config":2052},{"src":2053},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1772138786/p4pbqd9nnjejg5ds6mdk.png",{"id":2055,"paths":2056,"header":2059,"text":2060,"button":2061,"image":2066},"github-azure-migration",[2057,2058],"migration-from-azure-devops-to-gitlab","integrating-azure-devops-scm-and-gitlab","Ist dein Team bereit für den Umzug von GitHub nach Azure?","GitHub stellt bereits auf Azure um. Finde heraus, was das für dich bedeutet.",{"text":2062,"config":2063},"Erfahre, wie GitLab im Vergleich zu GitHub abschneidet",{"href":2064,"dataGaName":2065,"dataGaLocation":1507},"/de-de/compare/gitlab-vs-github/github-azure-migration/","github azure migration",{"config":2067},{"src":2041},{"header":2069,"blurb":2070,"button":2071,"secondaryButton":2076},"Beginne noch heute, schneller zu entwickeln","Entdecke, was dein Team mit der intelligenten Orchestrierungsplattform für DevSecOps erreichen kann.\n",{"text":2072,"config":2073},"Kostenlosen Test starten",{"href":2074,"dataGaName":1304,"dataGaLocation":2075},"https://gitlab.com/-/trial_registrations/new?glm_content=default-saas-trial&glm_source=about.gitlab.com/de-de/","feature",{"text":1630,"config":2077},{"href":1632,"dataGaName":1309,"dataGaLocation":2075},1786803740030]