外觀
Machine Learning › 上線與維運
上線與維運 (Production)
上線不是把 model.pkl 存起來就結束:輸入資料、特徵流程、模型版本、監控與重訓規則都要能長期運作。
建議順序
text
MLOps 概觀 → 部署與監控 → MLflow(實驗追蹤、模型註冊)→ DVC(資料與 pipeline 版本)筆記
| 筆記 | 內容 | 回答的問題 |
|---|---|---|
| MLOps 概觀 | MLOps 流程、和 DevOps 的差別、成熟度 | 為什麼模型需要「維運」? |
| 部署與監控 | 部署型態、四層監控、漂移指標 (PSI)、重訓 | 上線後怎麼知道模型壞了? |
| MLflow | Tracking、Models、Registry(aliases) | 怎麼追蹤實驗、管理模型版本? |
| DVC | 資料版本、dvc.yaml pipeline、params.yaml、remote storage | 怎麼讓資料和實驗可重現? |
核心問題
| 問題 | 相關筆記 |
|---|---|
| 上線後輸入 schema 改了,模型會不會默默壞掉? | 部署與監控 |
| 表現下降是資料漂移、概念漂移,還是流程 bug? | 部署與監控、抽樣與代表性 |
| 誰決定何時重訓、怎麼回滾、怎麼驗證新版本? | 模型生命週期、MLflow |