Netflix hat mit dem Model Lifecycle Graph ein internes System vorgestellt, das die gesamte Infrastruktur für maschinelles Lernen als zusammenhängenden Graphen modelliert. Der Graph verknüpft Datasets, Feature-Pipelines, trainierte Modelle und Workflows miteinander und macht so Abhängigkeiten explizit sichtbar. Ziel ist es, Ingenieurinnen und Data Scientists eine Self-Service-Umgebung zu bieten, in der ML-Komponenten leichter auffindbar und wiederverwendbar sind. Gleichzeitig soll die Architektur Governance-Anforderungen erfüllen, etwa die Nachvollziehbarkeit von Datenflüssen und Modellversionen. Netflix adressiert damit Herausforderungen, die typischerweise beim Wachstum von ML-Plattformen entstehen: unübersichtliche Abhängigkeiten, redundante Entwicklung und mangelnde Kontrolle über den Lebenszyklus von Modellen. Der Beitrag auf InfoQ wurde von Matt Foster verfasst und beschreibt den Ansatz als praxiserprobte Lösung aus dem Produktivbetrieb bei Netflix.