Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

MLOps

Engels: MLOps · Ook wel: machine learning operations

In het kort

MLOps is een verzameling werkwijzen die machine learning, softwareontwikkeling en DevOps combineert. Anders dan DevOps, dat vooral programmacode beheert, omvat MLOps ook gegevens en modellen: teams zetten die modellen in gebruik, bewaken de prestaties en onderhouden ze. Zo blijft een model dat betalingen op mogelijke fraude controleert, betrouwbaar werken nadat het in gebruik is genomen, en kan een team het model aanpassen als de kwaliteit daalt.

Waarom is dit belangrijk?

Leermodellen die eenmaal zijn gebouwd, kunnen uit de pas raken met nieuwe gegevens en daarna verkeerde of verouderde uitkomsten geven. In ziekenhuizen zorgt MLOps ervoor dat modellen voor medische beslissingen meelopen met veranderende patiëntgegevens en werkwijzen. Voor patiënten en zorgmedewerkers levert dat stabielere adviezen op tijdens een behandeling, al blijft het risico op ongelijke uitkomsten tussen groepen en op zwakke bescherming van gevoelige gegevens.

Zo werkt het in de praktijk

Technical Safety BC, een toezichthouder in British Columbia, gebruikt MLOps voor een model dat e-mails indeelt. Het model stuurt elke vraag naar het juiste team. Het Fraunhofer IAIS plaatst MLOps bij bedrijven die in de productie minder grondstoffen willen gebruiken.

Onderzoekers van Aalto University bekijken MLOps bij publieke diensten in Finland. Zij willen weten hoe teams kunnen proefdraaien en de AI-verordening volgen. Zij stellen een kader voor waarin automatische stappen en controle samengaan met een proeftuin onder toezicht.

Het Fraunhofer IAIS koppelt MLOps aan CRISP-DM, een vaste reeks stappen voor dataprojecten. Die reeks loopt van de bedrijfsvraag tot het model en dekt vooral de bouw. MLOps vult dat aan met testen, invoeren in het systeem en beheer tijdens gebruik.

Gecontroleerd op 23 oktober 2026