MLOps in de praktijk: van los ML-model naar geprofessionaliseerd proces
MLOps is de brug tussen een werkend experiment en een machine learning model dat maanden na livegang nog steeds waarde levert — inclusief de vijf valkuilen die de meeste teams over het hoofd zien.
Een machine learning model dat in de trainingsomgeving hoog scoort, wordt zes maanden later stilletjes genegeerd omdat niemand meer weet of het nog goed presteert. Dat patroon — model gebouwd, opgeleverd, vergeten — is precies waarom MLOps bestaat. In S03E05 leggen Niels Naglé en Joop Snijder uit dat een model pas ná livegang echt begint: monitoring, datakwaliteit, data drift en reproduceerbaarheid bepalen samen of het zijn waarde blijft houden.
Tijdens QCon San Francisco 2022 doken Willem Meints, Chief AI Architect bij Aigency, en Joop Snijder dieper in de praktijk van grote spelers als DoorDash en Amazon: declaratieve pipelines, feature stores en het verschil tussen 'muffige' en verse data (S04E04, S04E10). De rode draad door beide afleveringenreeksen: MLOps is niet in de eerste plaats tooling, maar een cultuur van continu monitoren, versioneren en herhaalbaar werken — stap voor stap opgebouwd, niet in één keer geregeld.
Veelgestelde vragen over MLOps in de praktijk
Waarom is MLOps meer dan een model in productie zetten?
Een model dat in de trainingsomgeving goed scoort, kan zonder beheer in productie geleidelijk slechter gaan presteren. MLOps voegt de operationele kant toe: monitoring van modelprestaties, bewaking van datakwaliteit, detectie van data drift, versiebeheer van afhankelijkheden en een reproduceerbaar ontwikkelproces. Niels Naglé en Joop Snijder benadrukken in S03E05 dat dit vooral een cultuurverandering is — een marathon, geen sprint — en geen eenmalig technisch project.
Wat is het verschil tussen een feature store en een data catalog?
Een feature store (zoals Feast) is het opslag- en transportmechanisme voor machine learning features: het bewaart en levert de kolommen die een model nodig heeft, over tijd en per entiteit. Een data catalog (zoals Amundsen) beschrijft juist wat die data betekent — wie de eigenaar is, wat een kolom voorstelt en waar die vandaan komt. Willem Meints legt in S04E10 uit dat DoorDash beide combineerde om hun features zowel op te slaan als doorzoekbaar te maken.
Wat is 'muffige data' en waarom is dat een risico bij real-time machine learning?
Muffige (stale) data ontstaat wanneer een model beslissingen baseert op verouderde informatie doordat de meest recente gegevens door latency nog niet beschikbaar zijn. Bij fraudedetectie op creditcards is dat funest: hoe langer je terugkijkt, hoe stabieler maar ook hoe achterhaalder het beeld. S04E10 bespreekt hoe DoorDash met een key-value store en tools als Claypot.ai data zo snel mogelijk preprocessen om de versheid te bewaken.
Wat zijn de grootste valkuilen als je MLOps overslaat?
S03E05 noemt vijf terugkerende valkuilen: het niet monitoren van modelprestaties, verwaarloosde datakwaliteit, onopgemerkte data drift, onbeheerde afhankelijkheden tussen modellen, data en libraries, en een niet-reproduceerbaar ontwikkel- en implementatieproces. Elke valkuil stapelt zich op als hij niet expliciet in het ontwerp wordt meegenomen.
Citaten uit onze afleveringen
“Als zo'n model niet goed beheerd wordt, dan staat een succes van zo'n machinelearningmodel uiteindelijk in de weg.
Joop Snijder, Head of AI — S03E05
“In de praktijk komen we nog heel vaak tegen dat die data gewoon fout is aangeleverd. Daar moeten we geen genoegen meer mee nemen. We moeten gewoon om de tafel gaan: waar zit die fout?
Niels Naglé, Chapter Lead Data & AI, Info Support — S03E05
“Een van de dingen waar ik zelf ook tegenaan loop in mijn dagelijks werk is dat we een machine learning dataset maken en allemaal bewerkingen uithalen, maar als je dan naar de ruwe data kijkt daarna, dan denk je: wat hebben ze nou precies gedaan? En kan ik dit wel gebruiken?
Willem Meints, Chief AI Architect, Aigency — S04E10
Bewijsafleveringen
Professionaliseer Machine Learning met MLOps
De vijf klassieke valkuilen zonder MLOps: gebrekkige monitoring, verwaarloosde datakwaliteit, onopgemerkte data drift, onbeheerde afhankelijkheden en een niet-reproduceerbaar ontwikkelproces. MLOps is volgens Niels Naglé en Joop Snijder vo…
Trends in MLOps deel 1 - ML
Verslag vanaf QCon San Francisco 2022: bedrijven als DoorDash en Uber zijn vooral bezig met modellen op schaal brengen, uitlegbaarheid komt daarna. Declaratieve pipelines (Ludwig) maken het bouwen van modellen toegankelijker voor meerdere …
Trends in MLOps deel 2 - Dev
Het developmentperspectief: feature stores (Feast) versus data catalogs (Amundsen), 'muffige' (stale) data bij real-time fraudedetectie, en hoe DoorDash monitoring-tools uit de reguliere softwarewereld hergebruikt voor machine learning.
AI van pilot naar productie: zo slaag je!
De aflevering adresseert waarom AI-projecten stranden bij productionalisering en biedt praktische oplossingen via datafundament, change management en accountability—kernthema's van MLOps-professionaliseringsprocessen.
AI in de pathologie: van onderzoek naar de praktijk
Implementatieblokkers in gereguleerde sectoren (compliance, validatie, governance) zijn cruciaal voor MLOps-professionals. Deze aflevering toont waarom technisch goede ML-modellen falen zonder proper proces, monitoring en stakeholder-alignm
Wat écht verandert bij AI-agents — en wat niet
AI-projecten falen niet primair door technologie, maar door onvoldoende governance en monitoring. Dit onderstreept dat MLOps-processen (monitoring, governance) kritischer zijn dan geavanceerde modellen voor productiesucces.
AI-voorspellingen 2026
Bedrijven maken in 2026 de cruciale stap van AI-pilots naar productie-implementaties. Dit raakt direct de MLOps-praktijk: wie deze overstap wil maken, moet zich voorbereiden op professionalisering van ML-processen, monitoring en productie-g
Observability voor AI-agents: zie wat je agent doet
Observability voor AI agents biedt inzicht in gedrag en beslissingen van modellen in productie, wat essentieel is voor monitoring en governance van ML-systemen—een kernaspect van MLOps-professionalisering.
De kracht van voorspellende modellen in bedrijfskritische processen met Bas Niesink
MLOps is essentieel voor het in productie nemen van voorspellende modellen in bedrijfskritische processen. Domeinkennis en aandacht voor MLOps-uitdagingen bepalen het verschil tussen theoretische modellen en werkende bedrijfsoplossingen.
Van hallucinaties naar betrouwbaarheid: meerdere modellen combineren
Ensemble-modellen verbeteren betrouwbaarheid en nauwkeurigheid van ML-systemen in productie. Door meerdere modellen te combineren worden blinde vlekken geminimaliseerd—praktijkvoorbeeld: claim-beoordeling steeg van 78% naar 94% accuraat.
Modelknop vs. effortknop: wanneer draai je aan welke?
Bij ML-problemen in productie moet je eerst diagnosticeren of het model onvoldoende kennis heeft (modelknop) of onvoldoende effort levert (effortknop). Dit onderscheid voorkomt dure en vaak verkeerde reflexen zoals automatisch naar grotere
Ai van Columbus: vijf lagen van betekenis
AI-systemen halluccineren structureel door hun mechanisme, niet door fouten. Dit vereist verificatieprocessen en probabilistische denken in plaats van blind vertrouwen—essentieel voor verantwoorde ML in productie.
Tokenmaxxing: de nieuwe hype uit Silicon Valley
Bij MLOps gaat het om het kiezen van de juiste metriek om succes te meten. Tokenverbruik als KPI leidt tot Goodhart's law: medewerkers optimaliseren de metriek in plaats van het werkelijke doel. Dit illustreert waarom monitoring en het defi
Verder lezen over MLOps in de praktijk
Dit thema valt onder
Machine learning in de praktijk: van model naar werkende AI →