Machine Learning Modell betreiben | SPS

Viele Unternehmen investieren viel Zeit in die Entwicklung eines Machine-Learning-Modells und betrachten den Go-live als Abschluss. Genau dort beginnt jedoch erst die eigentliche Arbeit. Ein Modell kann im Test überzeugen und im Alltag trotzdem schrittweise an Nutzen verlieren, wenn sich Daten, Abläufe oder Kundenverhalten verändern.

Für Schweizer KMU ist dieser Punkt besonders wichtig. Ressourcen sind oft begrenzt, Prozesse müssen verlässlich laufen und Fehlentscheide wirken sich direkt auf Qualität, Aufwand oder Kundenzufriedenheit aus. Wer ein Machine-Learning-Modell betreiben will, braucht deshalb nicht nur ein gutes Modell, sondern auch einen sauberen Betriebsrahmen: klare Datenbasis, fachliche Prüfung, Monitoring, geregelte Verantwortlichkeiten und bei Bedarf Re-Training.

Machine Learning ersetzt keine unklaren Prozesse. Im Gegenteil: Je sauberer ein Prozess strukturiert ist, desto besser kann ein Modell darin unterstützen. Genau deshalb gehört der Betrieb von ML in den Kontext der Prozessoptimierung und nicht nur in ein isoliertes IT-Projekt.

Machine Learning ist kein Abschlussprojekt, sondern ein laufender Betriebsprozess

Ein ML-Modell entsteht nicht in einem einzelnen Schritt. Es durchläuft einen Lebenszyklus: Daten sammeln, Daten aufbereiten, trainieren, testen, fachlich bewerten, produktiv einsetzen, im Betrieb überwachen und bei Bedarf aktualisieren. Dieser Ablauf ist kein theoretisches Ideal, sondern die Voraussetzung dafür, dass ein Modell im Alltag verlässlich bleibt.

In vielen KMU liegt der Fokus anfangs stark auf der Entwicklung. Das ist nachvollziehbar: Zuerst soll ein Anwendungsfall gelöst werden, etwa eine bessere Nachfrageprognose, die automatische Klassifikation von Anfragen oder die Erkennung von Qualitätsabweichungen. Doch sobald das Modell produktiv läuft, wird aus einem Entwicklungsprojekt ein Betriebsprozess.

Der Unterschied ist entscheidend. In der Entwicklungsphase wird geprüft, ob ein Modell grundsätzlich funktioniert. Im Betrieb muss sich zeigen, ob die Resultate unter realen Bedingungen stabil, nachvollziehbar und nützlich bleiben. Dort treten Fragen auf, die vor dem Go-live oft unterschätzt werden: Sind die Eingangsdaten weiterhin vollständig? Haben sich Buchungslogiken geändert? Entsteht eine andere Kundensegmentierung? Wurde ein Prozessschritt angepasst, ohne das Modell mitzudenken?

Ein belastbarer Betrieb von Machine Learning heisst deshalb nicht, das Modell einfach laufen zu lassen. Es geht darum, die Qualität laufend im Blick zu behalten und Veränderungen rechtzeitig zu erkennen. Wer diese Sicht früh einplant, reduziert spätere Überraschungen und schützt den fachlichen Nutzen.

Von Daten bis Go-live: So entsteht ein belastbares ML-Modell

Bevor ein Modell produktiv eingesetzt werden kann, braucht es eine saubere Grundlage. Der Weg dorthin ist meist weniger spektakulär als oft angenommen, aber dafür umso wichtiger.

Am Anfang steht die Datensammlung. Ein Modell lernt aus Beispielen. Wenn diese Beispiele lückenhaft, verzerrt oder fachlich unklar sind, wird das Modell auch keine verlässlichen Ergebnisse liefern. Für KMU bedeutet das oft, zuerst die eigenen Datenquellen kritisch zu prüfen: Welche Informationen liegen überhaupt vor? Wie konsistent werden sie erfasst? Welche historischen Fälle eignen sich als Referenz?

Danach folgt die Datenaufbereitung. Rohdaten sind selten direkt verwendbar. Felder sind unterschiedlich gepflegt, Werte fehlen, Bezeichnungen sind nicht einheitlich oder relevante Prozessereignisse sind auf verschiedene Systeme verteilt. Diese Phase ist kein technisches Detail, sondern ein fachlicher Kernschritt. Nur wenn die Daten die Realität des Prozesses korrekt abbilden, kann das Modell sinnvolle Muster erkennen.

Erst dann beginnt das Training. Dabei lernt das Modell aus historischen Daten, Zusammenhänge zu erkennen oder Vorhersagen zu treffen. Dieser Schritt läuft jedoch nicht einfach automatisch ab. Fachliches Verständnis bleibt zentral: Welche Eingaben sind sinnvoll? Welche Zielgrösse soll tatsächlich verbessert werden? Welche Fälle dürfen als Referenz gelten und welche nicht?

Vor dem produktiven Einsatz braucht es zudem Testing und Evaluation. Dazu gehört, dass ein Teil der Daten für die Prüfung zurückbehalten wird, damit nicht nur gemessen wird, wie gut das Modell bekannte Beispiele auswendig gelernt hat. Entscheidend ist, ob es auch bei neuen, realistischen Fällen tragfähig bleibt.

Ebenso wichtig sind die Rahmenbedingungen rund um Datenschutz und Governance. Ein ML-Modell verarbeitet Daten nicht im luftleeren Raum. Es muss klar sein, welche Daten verwendet werden dürfen, wie Zugriffe geregelt sind, wie Entscheidungen dokumentiert werden und wer Freigaben erteilt. Gerade in sensiblen Prozessen ist das keine Formalität, sondern Teil der Betriebsqualität.

Ein gutes Modell entsteht also nicht nur durch Training, sondern durch eine saubere Verbindung von Datenqualität, fachlicher Prüfung und klaren Regeln.

Testing und Evaluation: Warum ein Modell vor dem Einsatz geprüft werden muss

Ein trainiertes Modell ist noch kein produktionsreifes Modell. Vor dem Go-live muss überprüft werden, ob die Resultate fachlich plausibel, ausreichend robust und für den vorgesehenen Prozess brauchbar sind.

Dabei geht es zunächst um Genauigkeit. Ein Modell sollte in einer sinnvollen Zahl von Fällen richtig liegen. Doch Genauigkeit allein reicht nicht. Ein Modell kann im Durchschnitt gut wirken und trotzdem in wichtigen Ausnahmefällen versagen. Deshalb ist auch Robustheit relevant: Wie verhält sich das Modell bei unvollständigen Daten, ungewöhnlichen Fällen oder leicht veränderten Eingaben?

Ebenso wichtig ist die fachliche Plausibilität. Ein Modell kann statistisch gute Resultate liefern und dennoch aus Sicht des Prozesses problematische Vorschläge erzeugen. Ein Beispiel: Wenn ein Modell zur Priorisierung von Serviceanfragen gewisse Kundengruppen systematisch tiefer einstuft, weil historische Daten alte Bearbeitungsmuster spiegeln, ist das fachlich zu hinterfragen. Solche Punkte erkennt man nicht allein mit Kennzahlen, sondern nur im Zusammenspiel mit den Fachbereichen.

Für KMU sind verständliche Prüfgrössen hilfreich. Dazu gehören zum Beispiel:

• Wie oft liegt das Modell richtig?

• Wie oft erzeugt es kritische Fehlentscheide?

• Wie stabil sind die Ergebnisse bei unterschiedlichen Datensätzen?

• Sind die Resultate für Prozessverantwortliche nachvollziehbar?

• Verbessert das Modell den Zielprozess tatsächlich oder nur auf dem Papier?

Die fachliche Abnahme vor dem Go-live sollte daher nicht allein bei der IT oder bei externen Entwicklern liegen. Geschäftsnahe Funktionen, Operations und Prozessverantwortliche müssen mitentscheiden, ob das Modell im Alltag verantwortbar eingesetzt werden kann. Erst wenn diese Sicht einbezogen ist, entsteht eine tragfähige Grundlage für den produktiven Einsatz.

Was sich nach dem Go-live verändert: Daten, Prozesse und Verhalten

Der Hauptgrund für Qualitätsverlust liegt selten darin, dass ein Modell von Anfang an schlecht war. Häufiger ist der Grund viel alltäglicher: Die Realität verändert sich.

Eingabedaten verändern sich zum Beispiel, wenn neue Kundengruppen dazukommen, Produktstrukturen angepasst werden oder Datenfelder anders gepflegt werden. Schon kleine Änderungen können relevant sein. Wenn eine Auftragskategorie neu codiert wird oder ein Vertriebsteam ein Formular anders ausfüllt, kann das die Eingaben verändern, auf denen das Modell basiert.

Auch interne Prozesse bleiben nicht konstant. Ein KMU führt vielleicht neue Freigabeschritte ein, bündelt Standorte, ändert Schichtmodelle oder passt Verantwortlichkeiten an. Für ein Modell, das auf historische Muster trainiert wurde, kann das bedeuten, dass frühere Zusammenhänge nicht mehr gelten.

Hinzu kommt das Verhalten von Kunden und Marktteilnehmern. Saisonale Schwankungen, veränderte Bestellmuster, andere Reaktionszeiten oder neue Nachfragestrukturen wirken sich direkt auf viele ML-Anwendungsfälle aus. Ein Modell zur Absatzprognose, zur Reklamationsfrüherkennung oder zur Priorisierung von Leads arbeitet immer nur so gut wie die Aktualität seiner Datenbasis.

Wichtig ist: Nicht jede Veränderung ist automatisch ein Problem. Viele Modelle können mit normalen Schwankungen umgehen. Kritisch wird es dann, wenn sich Muster systematisch verschieben und das Modell diese Verschiebung nicht erkennt. Dann entsteht schleichender Qualitätsverlust.

Ein praxisnahes Beispiel aus der Prozesswelt: Ein Modell unterstützt die Planung von Materialbedarf auf Basis historischer Aufträge. Solange Sortiment, Lieferzyklen und Kundensegmente ähnlich bleiben, kann das gut funktionieren. Wenn jedoch neue Produktlinien eingeführt werden oder ein wichtiger Grosskunde wegfällt, ändern sich die Muster. Ohne Anpassung wird das Modell weiterhin auf Annahmen aus der Vergangenheit reagieren.

Genau deshalb darf der Go-live nicht als Endpunkt verstanden werden. Erst im Betrieb zeigt sich, wie gut ein Modell mit Veränderung umgehen kann.

ML Modell Monitoring im Alltag: Welche Signale im Blick bleiben müssen

Damit Qualitätsverluste nicht erst dann auffallen, wenn bereits operative Schäden entstanden sind, braucht es ein funktionierendes Monitoring. Dieses ML Modell Monitoring ist ein Frühwarnsystem für den laufenden Betrieb.

Überwacht werden sollte zuerst die Datenqualität. Kommen die erwarteten Daten vollständig an? Gibt es plötzlich mehr fehlende Werte? Haben sich Formate, Kategorien oder Verteilungen geändert? Schon solche Signale können darauf hinweisen, dass das Modell mit anderen Voraussetzungen arbeitet als ursprünglich vorgesehen.

Ein weiterer Punkt sind Ausreisser und ungewöhnliche Muster. Wenn ein Modell plötzlich deutlich mehr extreme Vorhersagen erzeugt oder wenn ganze Fallgruppen anders behandelt werden als bisher, lohnt sich eine Prüfung. Das heisst nicht automatisch, dass das Modell falsch ist. Es zeigt aber, dass sich etwas verändert hat.

Ebenso zentral ist die beobachtete Vorhersagegüte im Betrieb. Je nach Anwendungsfall kann das bedeuten, Prognosen mit real eingetretenen Werten zu vergleichen, Fehlklassifikationen zu verfolgen oder manuelle Korrekturen auszuwerten. Wenn Mitarbeitende im Alltag immer häufiger eingreifen müssen, ist das oft ein praktischer Hinweis auf sinkende Modellqualität.

Für KMU ist wichtig, Monitoring nicht zu technisch zu denken. Es geht nicht in erster Linie um komplexe Dashboards, sondern um klare Beobachtungsfragen:

• Stimmen die Eingangsdaten weiterhin?

• Verhalten sich die Resultate plausibel?

• Nimmt die Zahl der Korrekturen zu?

• Gibt es betroffene Prozessschritte oder Kundengruppen?

• Wer reagiert, wenn Schwellenwerte überschritten werden?

Monitoring muss sowohl fachlich als auch operativ organisiert sein. Die IT kann technische Signale beobachten, aber sie erkennt nicht immer, ob ein Ergebnis im Prozess noch sinnvoll ist. Umgekehrt sieht der Fachbereich möglicherweise ungewöhnliche Resultate, kann sie aber ohne geregelten Eskalationsweg nicht wirksam adressieren. Ein belastbarer Betrieb verbindet deshalb beide Perspektiven.

Re-Training und Modellpflege: Wann eine Aktualisierung nötig wird

Wenn sich Datenmuster, Prozesse oder Anforderungen verändern, kann ein Re-Training sinnvoll werden. Das heisst jedoch nicht, dass jedes Modell ständig neu trainiert werden muss. Entscheidend ist der Anlass, nicht ein starres Schema.

Ein Re-Training kommt typischerweise dann infrage, wenn die Qualität messbar sinkt, sich Eingabedaten deutlich verschieben oder neue fachliche Regeln gelten. Ein Beispiel: Ein Klassifikationsmodell für Kundenanfragen wurde mit historischen Kategorien trainiert. Wenn das Unternehmen neue Servicetypen einführt, braucht das Modell unter Umständen eine aktualisierte Lernbasis.

Es gibt dabei einen Unterschied zwischen kleiner Anpassung und systematischer Modellpflege. Kleine Anpassungen können etwa Schwellenwerte, Freigaberegeln oder Datenprüfungen betreffen. Systematische Pflege geht weiter: Datenbasis aktualisieren, Modell neu trainieren, Ergebnisse erneut testen, fachlich freigeben und erst dann die Aktualisierung produktiv übernehmen.

Gerade beim Thema Re-Training für KI ist Zurückhaltung sinnvoll. Häufiges Nachtrainieren ohne klaren Grund kann mehr Unruhe als Nutzen schaffen. Wenn sich Daten nur kurzfristig oder zufällig verändert haben, ist eine Anpassung nicht automatisch die beste Antwort. Ebenso problematisch ist das Gegenteil: über längere Zeit gar nichts zu tun, obwohl Warnsignale sichtbar sind.

Bewährt hat sich ein klarer Pflegeprozess mit definierten Auslösern. Dazu können gehören:

• anhaltende Qualitätsverluste

• auffällige Veränderungen in den Eingabedaten

• neue Produkte, Kundensegmente oder Prozessschritte

• Rückmeldungen aus dem Fachbereich

• regulatorische oder organisatorische Änderungen

Wichtig ist zudem die Dokumentation. Jede Aktualisierung sollte nachvollziehbar festhalten, warum sie erfolgt, welche Datenbasis verwendet wurde und wer die Freigabe erteilt hat. So bleibt die Modellpflege steuerbar und wird nicht zum unkontrollierten Eingriff.

Wer im KMU verantwortlich ist: Rollen für Qualität, Betrieb und Freigabe

Ein ML-Modell läuft nicht verlässlich, wenn niemand klar verantwortlich ist. Gerade in KMU entsteht hier oft eine Lücke: Das Modell wurde eingeführt, aber im Alltag ist unklar, wer Monitoring anschaut, wer bei Auffälligkeiten entscheidet und wer Updates freigibt.

Die Verantwortung liegt nicht allein bei der IT. Die IT trägt meist einen wichtigen Teil für technische Stabilität, Datenzugriffe und Schnittstellen. Doch die fachliche Qualität eines Modells kann nur gemeinsam mit den Prozessverantwortlichen beurteilt werden. Operations, Fachbereich und Qualitätsverantwortliche müssen deshalb eingebunden sein.

Sinnvoll ist eine einfache, praxisnahe Rollenteilung:

• Geschäftsführung oder Bereichsleitung setzt den Rahmen: Zielbild, Prioritäten, Risikobewusstsein und Freigabe für den Einsatz in kritischen Prozessen.

• Fachbereich und Prozessverantwortliche beurteilen, ob die Resultate fachlich sinnvoll sind, definieren Eskalationen und melden Veränderungen im Prozess.

• IT oder Datenverantwortliche sichern Datenflüsse, technische Überwachung, Zugriffe und den geregelten Betrieb.

• Qualitätsverantwortliche oder Governance-Funktionen achten auf Dokumentation, Nachvollziehbarkeit, Datenschutz und definierte Freigaben.

Diese Rollen müssen nicht in einem grossen Organigramm enden. Entscheidend ist, dass für vier Punkte Klarheit besteht: Wer beobachtet? Wer bewertet Auffälligkeiten? Wer entscheidet über Änderungen? Wer dokumentiert den Prozess?

Gerade wenn ein Unternehmen den Betrieb erst aufbaut, ist eine saubere Ausgangsanalyse hilfreich. Dabei können externe Partner bei der Strukturierung von Zielen, Verantwortlichkeiten und Risiken unterstützen, etwa im Rahmen von Beratung und Analyse. Ebenso wichtig ist, dass die beteiligten Personen wissen, wie sie Resultate einordnen und im Alltag damit umgehen. Dafür ist Schulung und Enablement oft ein sinnvoller Bestandteil.

Datenschutz und Governance gehören ausdrücklich dazu. Es muss geklärt sein, welche Daten verwendet werden, wer Zugriff hat, wie Entscheidungen nachvollziehbar bleiben und wie mit Anpassungen umgegangen wird. Gute Governance ist kein Zusatzaufwand ohne Nutzen, sondern schützt Qualität, Vertrauen und Betriebssicherheit.

ML-Modelle im Alltag tragfähig aufsetzen

Der zuverlässige Betrieb eines ML-Modells entsteht selten zufällig. Er braucht ein Zusammenspiel aus klaren Prozessen, fachlicher Verantwortung und realistischer Erwartungshaltung. Für Schweizer KMU ist genau das oft der entscheidende Unterschied zwischen einem interessanten Pilot und einem dauerhaft nützlichen Einsatz.

Wer Machine Learning sinnvoll in Prozesse integrieren will, sollte deshalb nicht nur den Go-live planen, sondern den gesamten Betriebsrahmen mitdenken: Wie wird Qualität beobachtet? Wer reagiert bei Veränderungen? Wann ist ein Re-Training nötig? Welche Daten und Regeln gelten? Und wie werden diese Punkte dokumentiert und freigegeben?

Wenn diese Fragen noch offen sind oder bestehende Modelle im Alltag überprüft werden sollen, ist ein strukturierter Blick auf die eigene Ausgangslage sinnvoll. Swiss Process Solutions unterstützt Unternehmen dabei, Betrieb, Zuständigkeiten und Qualitätssicherung realistisch einzuordnen und nächste Schritte festzulegen. Ein guter Ausgangspunkt ist ein unverbindlicher Austausch über die aktuelle Situation und die passenden Betriebsstrukturen. Hier lässt sich direkt ein Erstgespräch vereinbaren.

Häufig gestellte Fragen

Wie oft sollte ein Machine-Learning-Modell im Betrieb überprüft werden?

Es gibt keine allgemeingültige Zeitregel. Die Prüffrequenz hängt vom Anwendungsfall, von der Dynamik der Daten und von der Kritikalität des Prozesses ab. In stabilen Umgebungen können regelmässige periodische Prüfungen genügen. In dynamischeren Prozessen sind engere Kontrollen sinnvoll. Wichtig ist weniger ein fixer Kalender als ein klar geregeltes Monitoring mit definierten Auslösern für vertiefte Prüfungen.

Woran erkennt ein KMU, dass ein Modell an Qualität verliert?

Typische Hinweise sind mehr manuelle Korrekturen, auffällige Resultate im Alltag, sinkende Übereinstimmung mit realen Ergebnissen oder veränderte Datenmuster. Auch Rückmeldungen aus Fachbereichen sind wichtig. Wenn Mitarbeitende wiederholt feststellen, dass Vorhersagen oder Klassifikationen nicht mehr zur Prozessrealität passen, sollte das systematisch geprüft werden.

Wer sollte im Unternehmen für Monitoring und Modellpflege verantwortlich sein?

Die Verantwortung sollte verteilt, aber klar geregelt sein. Die IT ist meist für technische Stabilität und Datenflüsse zuständig. Fachbereiche und Prozessverantwortliche beurteilen die fachliche Qualität. Geschäftsführung oder Bereichsleitung setzen Prioritäten und den Risikorahmen. Wichtig ist, dass Monitoring, Eskalation, Freigabe von Änderungen und Dokumentation konkret zugewiesen sind und nicht zwischen Abteilungen liegen bleiben.

Braucht jedes ML-Modell nach dem Go-live ein Re-Training?

Nicht zwingend. Ein Re-Training ist dann sinnvoll, wenn sich relevante Datenmuster ändern, die Modellqualität sinkt oder neue fachliche Anforderungen entstehen. Manche Modelle bleiben über längere Zeit stabil, andere müssen regelmässiger angepasst werden. Entscheidend ist, ob es einen nachvollziehbaren Anlass gibt, nicht ob ein fester Zeitraum abgelaufen ist.

Welche Rolle spielen Datenschutz und Governance beim Betrieb eines ML-Modells?

Eine zentrale Rolle. Es muss klar geregelt sein, welche Daten verwendet werden dürfen, wie Zugriffe organisiert sind, wie Entscheidungen dokumentiert werden und wer Änderungen freigibt. Datenschutz und Governance schaffen Verlässlichkeit und Nachvollziehbarkeit. Gerade im produktiven Einsatz sind sie Teil eines verantwortungsvollen Betriebs und nicht nur eine rechtliche Nebenbedingung.