监控、再训练与替换 MLOps 应用

面向业务的 MLOps

Arne Jonas Warnke

Head of Emerging Curriculum

运营机器学习模型

$$

预部署

$$

预部署

• 确保模型在各环境结果一致
  • 包含 容器化
• 额外检查
  • 安全性

$$

通常由

• 软件工程师 或 机器学习工程师 负责

$$

部署 MLOps 应用

$$

部署 MLOps 应用

部署（通过 CI/CD）

• 主要自动化
• 包含多种（自动化）测试
• 便于快速回滚变更

$$

通常由

• 软件工程师 或 机器学习工程师 负责

$$

监控 MLOps 应用

监控 MLOps 应用

模型已上线，并且

• 产生业务价值
• 宕机与故障代价高
• 需密切监控
  • 多为自动化

若模型失败

• 可能需多人介入

注意：模型质量会随时间下降。

$$

再训练机器学习模型

再训练机器学习模型

模型性能通常会下降

• 经济环境变化
• 客户偏好变化

因此需定期对模型进行再训练

• 可部分自动化

主要由

• 数据科学家 / 机器学习工程师 负责

$$

让我们来练习！

面向业务的 MLOps