Machine Learning Operations for Reproducible Research

Diese Arbeit vertritt die These, dass maschinelles Lernen in der Forschung als operationelle Disziplin behandelt werden sollte und Reproduzierbarkeit am besten erreicht wird, wenn sie in Infrastruktur, Methodik und Governance des Forschungsprozesses eingebettet ist. Ausgehend von den Prinzipien der Machine Learning Operations (MLOps) entwickelt die Arbeit ein Reproduzierbarkeitsframework, das sich an fünf Phasen des ML-Lebenszyklus orientiert: Datenaufnahme, Modellentwicklung und Training, Validierung, Erklärbarkeit sowie Governance. Vier eigenständige Studien, die jeweils eine Phase adressieren, bilden einen kohärenten Ansatz für transparentere, überprüfbarere und erweiterbarere empirische Forschung. Die erste Studie stellt Quantinar vor, eine Peer-to-Peer-Plattform, auf der Forschung als eng verknüpfte Bündel aus Wissen, Code und Daten bereitgestellt wird, mit einem PageRank-inspirierten Reputationsmechanismus und spieltheoretischem Peer Review. Die zweite Studie entwickelt ein hybrides Empfehlungssystem für Quantinar, das LLaMA-basierte Einbettungen, einen Planar Maximally Filtered Graph und ein GRU-basiertes sequentielles Modell kombiniert, samt einem öffentlich zugänglichen Benchmark-Datensatz mit über 50.000 Nutzerinteraktionen. Die dritte Studie schlägt ein hybrides Prognosemodell für Day-Ahead-Strompreise auf dem deutschen Spotmarkt vor, das die Preisreihe mittels Ensemble Empirical Mode Decomposition zerlegt und spezialisierten Modellen zuweist, wodurch Modellierungsentscheidungen explizit und einzeln diagnostizierbar werden. Die vierte Studie stellt das Adaptive WIN-SHAP vor, ein Framework für driftbewusste Erklärbarkeit, das mittels eines lokalen parametrischen Ansatzes automatisch ein Homogenitätsintervall identifiziert, bevor SHAP-Werte berechnet werden, und so heuristische Fensterwahl durch statistisch fundierte Auswahl ersetzt. Ein ergänzendes Arbeitspapier über eine Digital-Asset-Data-Lakehouse-Architektur stellt die skalierbare Dateninfrastrukturschicht für dauerhafte, versionierte und wiederverwendbare Datensätze bereit. In ihrer Gesamtheit zeigen die Beiträge, dass Reproduzierbarkeit systematisch in jede Phase des Forschungslebenszyklus integriert werden kann.