Engineering

Engineering im KI-Kontext umfasst die systematische Konstruktion, den Betrieb und die Wartung von KI-Systemen in der Praxis — im Gegensatz zur Forschung, die neue Methoden entwickelt.

Die Unterscheidung zwischen ML Research und ML Engineering ist zentral. Ein Forschungspaper zeigt, dass eine Methode auf einem Benchmark funktioniert. Ein Engineer muss dieselbe Methode auf realen Daten, mit realen Constraints (Latenz, Kosten, Skalierung, Zuverlässigkeit) und für reale Nutzer zum Laufen bringen.

Die „Hidden Technical Debt in Machine Learning Systems"-Studie (Google, 2015) verdeutlichte: Der ML-Code ist nur ein kleiner Bruchteil eines produktiven ML-Systems. Configuration, Data Collection, Feature Extraction, Data Verification, Machine Resource Management, Analysis Tools, Process Management, Serving Infrastructure und Monitoring machen den Großteil aus.

MLOps — Machine Learning Operations — formalisiert die Engineering-Praktiken: CI/CD für Modelle, automatisierte Pipelines, Monitoring, A/B-Testing und Rollback-Mechanismen. Tools wie MLflow, Weights & Biases, Kubeflow und BentoML unterstützen den Lifecycle.

Die Berufsbezeichnung „ML Engineer" hat sich als eigenständige Rolle etabliert — an der Schnittstelle von Software Engineering und Data Science. ML Engineers bauen die Infrastruktur, die Forscher und Data Scientists brauchen, um ihre Modelle in Produktion zu bringen.

Prompt Engineering — die systematische Optimierung von Eingabeaufforderungen für LLMs — ist die jüngste Engineering-Disziplin und hat sich von einem Hack zu einer anerkannten Praxis entwickelt.