Skip to content

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?
MLflowTracking、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

沒有 Pipeline 的紀律與 評估 的基準,上線後幾乎一定出問題,也很難知道模型是否退化。