Artikel für Leute, die
den Stack ausliefern
Beiträge zu React, Node.js, TypeScript und AI. Ein übersetzter Text wird gezeigt, wenn er existiert. Sonst sehen Sie den englischen Text und einen Hinweis.
Tag: MLOps
Warum die Genauigkeitsscores von Agenten irreführen: pass^k, Verzerrungen und Fehlerinjektionen
Warum pass@1 unzuverlässige KI-Agenten versteckt und wie pass^k, Eingabeverzerrungen sowie Fehlerinjektionen Lücken in Konsistenz, Stabilität und Fehlertoleranz aufzeigen.
9 Min. LesezeitEin benutzerdefiniertes Modell in Azure ML trainieren und es von einem Foundry Agent aufrufen
Trainieren, registrieren und bereitstellen Sie ein Churn-Modell auf einem von Azure ML verwalteten Endpunkt, und stellen Sie es anschließend als FunctionTool einem Foundry-Agenten zur Verfügung, inklusive Authentifizierungs- und Produktionshinweisen.
7 Min. LesezeitBevor ein KI-Agent Produktionsrechte erhält: Verträge, Anspruchsgraphen, Schattenläufe und Kanarienvögel
Ein auf Beweisen basierender Freigabeprozess für KI-Agenten: begrenzte Verträge, zustandsbasierte Szenarien, Fehlereinbringung, Unsicherheitsgrenzen, schrittweise Testverfahren sowie maschinengesteuerte Beförderung.
23 Min. LesezeitVom Modell zum Agenten: Die Neugestaltung der drei Schutzlinien
Wie sich die Governance von MLOps auf Agentensysteme überträgt: Was jede der drei Schutzlinien hinzufügen muss, wo die Lücken liegen, und welche Signale die EU-, FDA- sowie Finanzaufsichtsbehörden senden.
8 Min. LesezeitEinführung von KI-Agenten in die Produktion: Abwägungen zwischen Cloud-, selbst gehosteten und hybriden Lösungen
Vergleichen Sie die Bereitstellung von Cloud-, selbst gehosteten und hybriden Agenten hinsichtlich Datenoffenlegung, Kosten, Bindung an bestimmte Lösungen, Routing und Überwachbarkeit, mit vier Fragen zur Auswahl sowie Fehlern, die vermieden werden sollten.
10 Min. LesezeitEin LangGraph-Pipeline, das den Speicher der Codebasis für KI-Agenten präzise erhält
Erstellen Sie einen LangGraph-Pipeline, der Wissensdateien pro Service erstellt, diese mit Ragas und DeepEval überprüft, Ausführungen in Langfuse nachverfolgt und lokal auch auf Ollama ausführt.
11 Min. LesezeitShadow, Canary, A/B und Bandits: ML-Modelle sicher ausrollen
Ein Beispiel aus der Betrugserkennung zeigt, wann Shadow Deployment, Canary Releases, A/B-Tests und Multi-Armed Bandits passen, was zu überwachen ist und wie man zurückrollt.
7 Min. LesezeitModel-Serving-Architektur: Warum die API nur die Eingangstür ist
Ein Leitfaden zur Plattform hinter einem Inferenz-Endpunkt: Routing, Skalierung, Versionierung, Observability, Sicherheit und der Aufruf bereitgestellter Modelle aus Spring AI oder LangChain4j.
9 Min. LesezeitPraktische Hinweise: Entwurf eines Caches für KI-Agenten: Betrieb in der Produktion
Schrittweise Anleitung zu den Praktischen Hinweisen: Entwurf eines Caches für KI-Agenten: Betrieb in der Produktion – Verträge, Überprüfungen sowie Code-Blöcke für Teams, die dieses Muster einsetzen.
7 Min. Lesezeit
Über diese Artikel
Angebot in 24 Stunden
Denselben Stack in einer Operator-Schicht? Brief schicken — Angebot in 24 Stunden.