詳細解釋
Machine Learning Operations（機器學習運維），將軟體工程的 DevOps 實踐應用於 ML 系統，涵蓋模型開發、部署、監控、維護的全生命周期管理。
核心挑戰：
- 代碼 + 數據 + 模型：比傳統軟體多兩個維度
- 可重現性：實驗追蹤、依賴管理
- 測試：數據漂移、模型退化難以預測
- 監控：性能指標 + 業務指標 + 數據質量
- 版本控制：代碼、數據、模型三者的版本對齊
關鍵實踐：
- 實驗追蹤：MLflow、Weights & Biases 記錄超參數和指標
- 特徵存儲：Tecton、Feast 統一管理特徵
- 模型註冊：MLflow Model Registry 管理版本和階段
- 自動化部署：CI/CD 管道部署模型
- 監控：數據漂移、概念漂移、性能退化
- A/B 測試：新舊模型並行比較
工具鏈：
- 編排：Kubeflow、Airflow、Prefect
- 部署：Seldon、KServe、BentoML
- 監控：Evidently、WhyLabs、Fiddler
- 數據：Delta Lake、DVC 版本控制
與 DevOps 的區別：
- DevOps：代碼 → 構建 → 部署
- MLOps：數據 → 特徵 → 訓練 → 評估 → 部署 → 監控
- 額外複雜度：數據版本、模型版本、實驗管理
組織影響：
- 角色：數據科學家、ML 工程師、平台工程師的分工
- 流程：從研究到生產的標準化路徑
- 文化：實驗文化與工程紀律的平衡
這是「AI 產品化」的必經之路—— 從筆記本實驗到可靠生產系統。