Framework

Ein Framework in der KI ist eine Softwarebibliothek oder Plattform, die die Grundbausteine für die Entwicklung, das Training und den Einsatz von ML-Modellen bereitstellt — die Arbeitsumgebung des ML-Engineers.

Die dominierenden ML-Frameworks: PyTorch (Meta, seit 2017) hat sich als Standard-Framework durchgesetzt — für Forschung, Prototyping und zunehmend auch Produktion. Die Eager Execution (sofortige Auswertung, debugbar wie normales Python) war der entscheidende Vorteil gegenüber TensorFlows Graph-basiertem Ansatz.

TensorFlow (Google, seit 2015) war das frühere Flaggschiff — heute primär relevant für produktive ML-Systeme bei Google und in Unternehmen, die TensorFlow Serving, TensorFlow Lite und TFX nutzen. JAX (Google) ist das Forschungs-Framework für Google Brain/DeepMind: funktionaler Programmierstil, JIT-Compilation, hervorragend für TPUs.

Spezialisierte Frameworks: Hugging Face Transformers (Standardbibliothek für vortrainierte NLP- und Multimodal-Modelle), LangChain (Orchestrierung von LLM-Anwendungen), scikit-learn (klassisches ML: Random Forest, SVM, Clustering), Keras (High-Level-API, jetzt Multi-Backend auf PyTorch, TensorFlow und JAX).

Die Wahl des Frameworks ist eine der wichtigsten technischen Entscheidungen. PyTorch für Flexibilität und Forschung. TensorFlow für Produktion in bestehenden Google-Cloud-Ökosystemen. JAX für hochperformantes Training. Die Community, die Dokumentation und das Ökosystem um ein Framework herum sind oft wichtiger als die technischen Merkmale.